今天主流的人工智能技术，某种意义上就是受到了大脑结构的启发。然而，随着计算机计算能力的不断提升，计算机的AI计算已经与人脑有着本质的区别：与人脑相比，AI在大数据中寻找模型规则的能力远超人脑。然而，人脑显然并不相信“强化奇迹”，大脑处理的信息往往是稀疏、复杂且不时发生剧烈变化的。这也是当今许多人工智能科学家梦寐以求的特性。近日，悉尼大学和日本国立材料科学研究所的科学家在NatureCommunications上发表论文，试图利用纳米线网络（NWN）模拟人脑对电刺激的反应，实验结果还不错。所谓纳米线网络是由一束平均长度不超过10微米、直径不超过500纳米的银纳米团簇随机分布在晶圆上，并覆盖一层约1纳米的绝缘聚合物厚的。不同于传统的集成电路，当电流流过网络时，会导致银离子在聚合物中迁移，这样当流过不同的突触结构时，就会产生与人脑相似的反应。这也为从微观物理结构的角度解释大脑的工作原理奠定了基础。研究团队的最新成果表明，让纳米线网络保持在类似于“混沌边缘”的状态，在处理任务时可以取得相当高效和理想的结果。这似乎为人工智能计算打开了新的大门。纳米线网络模型研究人员使用涂有PVP的自组装银纳米线形成高度无序、复杂的网络拓扑结构。NWN通过在整个网络的固定电极位置之间施加偏差来作为神经形态设备运行。为了更深入地了解神经形态动力学，研究人员开发了一种物理驱动的AgPVPNWN计算模型。图a。自组装银纳米线的光学显微镜图像(1:100μm)。图c。Gjn对‖Λ‖的非线性依赖性，当0≤‖Λ‖<Λcrit时，它会产生类似开关的绝缘结动态。当‖Λ‖接近Λcrit时，结转变为隧道状态，其中电导随着‖Λ‖的增加呈指数增长。接下来，本文介绍了使用该模型的仿真实验，以分析该神经形态系统的网络级动力学。NWN的自适应图最初不活动的NWN的DC激活图（在所有连接处Λ=0）b。NWN的快照可视化显示了第一个传输路径的形成，对应于最短路径长度n。图c。稳态网络电导本节的结果表明NWN可以自适应地响应外部驱动，并且可以在双稳态（LCS和HCS）之间进行一阶相变。这些全局网络动态源于节点之间的循环连接及其切换状态。节点切换驱动非本地传输网络激活或去激活可以理解为发生在节点之间循环连接中的集体效应。根据基尔霍夫定律（KVL），进入一个节点的所有电流之和等于离开该节点的所有电流之和；闭合环路中所有元件的电压代数和为零。经过一系列结点切换后，实验结果表明，由于复杂网络拓扑与忆阻结点切换之间的耦合，传输路径出现了。当结点转变为导电状态时，会启动一系列活动，自适应地重新分配周围的电压。雪崩开关动力学研究团队在神经元群体和其他神经形态系统中发现了具有无标度大小和生命周期事件统计数据的雪崩，这是临界动力学的标志。通过改变驱动电压强度使其远离阈值Vth，雪崩分布开始偏离幂律。当V*<1时，网络中无法形成路径，切换会引起小范围的雪崩（图中黑点所示）。当V*接近1时，分布变长并成为幂律（图中红点所示）。当V*=1，即网络激活时，双峰分布明显，雪崩特征明显，出现在幂律的尾部。随着网络规模的增加，凸起相对于幂律区域的概率密度也会增加。这表明这些异常大的雪崩对应于超临界条件。利用信号控制网络状态在不同电信号的刺激下，纳米线网络表现出不同的状态响应。为了使纳米线网络呈现“边缘混沌”状态，需要使驱动系统的交流信号的李雅普诺夫指数λ≈0。当λ≈0时，系统将进入“边际混沌”状态。此外，研究还发现，当行驶速度较慢时，网络能够适应并维持扰动幅度，但当行驶速度较快时，网络无法适应扰动，会导致相邻网络节点分离。频率的速度取决于信号的幅度和网络的结构（大小和密度）。扰动收缩与扰动增长之间的动态平衡机制可以维持系统的稳定性。因此，通过调整驱动信号来控制系统的状态，可以使纳米线网络保持在理想状态。纳米线网络的首次尝试为了验证纳米线网络的性能，研究团队用它进行了简单的波形变换工作。网络输入一个正弦波，使用线性回归模型训练不同目标的波形，最后输出纳米线电压。可以得到下图中的波形：可以验证不同的λ值对应不同的变换精度。当λ≈0时，系统精度达到0.95。对于方波，当网络处于“混沌”状态（λ>0）时，精度会迅速下降。根据不同复杂度的计算任务，系统的计算精度呈现出不同的变化，但当系统处于“混沌边缘”状态时，表现最佳。总而言之，纳米线神经网络可以在受控输入信号的控制下在有序和混乱之间进行调整，这表明纳米线网络可以调整为类似大脑的多样化动态，在与人工智能相关的信息处理和计算领域具有巨大的潜力。对于传统的人工智能网络，计算机在训练网络算法时需要判断分配给哪个节点合适的负载，而本系统不需要类似的算法，因为纳米线网络可以自动适应和分配节点的负载。发表该研究的科学家表示，这可以节省大量计算资源，还可以减少人工智能计算的碳足迹。目前该研究的代码已经在Github上开源，感兴趣的读者可以移步：https://github.com/joelhochstetter/NWNsim
