实验类脑计算系统通过定制算法更准确

该算法优于传统的机器学习方法，传统的机器学习方法是在处理一批数据后进行训练，准确率达到91.4%。研究人员还表明，系统本身存储的过去输入的记忆可以增强学习能力。相比之下，其他计算方法将内存存储在与设备处理器分离的软件或硬件中。

背景

15年来，加州大学洛杉矶分校加州纳米系统研究所(CNSI)的研究人员一直在开发一种新的计算平台技术。该技术是一种受大脑启发的系统，由铺设在电极床上的含银电线网络组成。

该系统接收输入并通过电脉冲产生输出。单根导线非常小，其直径可在纳米级(十亿分之一米)上测量。

“微小的银色大脑”与今天的计算机有很大不同，后者包含由原子制成的独立内存和处理模块，当电子流过它们时，这些原子的位置不会改变。相比之下，纳米线网络会根据刺激进行物理重新配置，其记忆基于其原子结构并遍布整个系统。

在电线重叠的地方，连接可以形成或断开——类似于生物大脑中神经元相互通信的突触行为。

悉尼大学的研究合作者开发了一种用于提供输入和解释输出的简化算法。该算法经过定制，可利用系统类似大脑的能力进行动态变化并同时处理多个数据流。

方法

这个类脑系统由含有银和硒的材料组成，可以在16个电极阵列的顶部自组织成纠缠纳米线网络。

科学家使用手写数字图像来训练和测试纳米线网络，该数据集由美国国家标准与技术研究所创建，通常用于对机器学习系统进行基准测试。

使用每个持续千分之一秒的电脉冲将图像逐个像素地传送到系统，不同的电压代表亮或暗像素。

影响

纳米线网络仍在开发中，预计执行类似任务所需的功率远低于基于硅的人工智能系统。该网络还显示了当前人工智能难以完成的任务的前景：理解复杂的数据，例如天气、交通和其他随时间变化的系统的模式。

为此，当今的人工智能需要大量的训练数据和极高的能源消耗。

通过本研究中使用的协同设计类型(硬件和软件串联开发)，纳米线网络最终可能与硅基电子设备一起发挥补充作用。

嵌入在能够持续适应和学习的物理系统中的类脑记忆和处理可能特别适合所谓的“边缘计算”，它可以现场处理复杂的数据，而不需要与遥远的服务器通信。

潜在用途包括机器人技术、车辆和无人机等机器的自主导航、构成物联网的智能设备技术，以及健康监测和协调多个位置传感器的测量。

作者

该研究的通讯作者是加州大学洛杉矶分校杰出化学教授、CNSI成员JamesGimzewski;AdamStieg，加州大学洛杉矶分校研究科学家、CNSI副主任;ZdenkaKuncic，悉尼大学物理学教授;悉尼大学博士生朱若敏也是第一作者。