Rappresentazione artistica di una rete neurale (a sinistra) accanto a una micrografia ottica di una rete fisica di nanofili. Credito: Adrian Diaz-Alvarez/NIMS Giappone (per l’immagine dei nanofili)

La rete Nanowire è stata addestrata per risolvere un semplice problema che simula i percorsi neurali.

Scienziati dell’Università di Sydney e del National Institute of Materials Science (NIMS) del Giappone hanno scoperto che una rete artificiale di nanofili può essere sintonizzata per rispondere in modo simile al cervello quando viene stimolata elettricamente.

Il team internazionale, guidato da Joel Hochstetter con il professor Zdenka Koncic e il professor Tomonobu Nakayama, ha scoperto che mantenendo la rete di nanocavi in ​​uno stato simile al cervello “sull’orlo del caos”, esegue i compiti a un livello ottimale.

Questo, dicono, indica che la natura fondamentale della neuro-intelligenza è fisica e la loro scoperta apre una strada entusiasmante per lo sviluppo dell’intelligenza artificiale.

Lo studio è stato pubblicato oggi (29 giugno 2021) in Comunicazioni sulla natura.

“Abbiamo usato fili di 10 μm di lunghezza e non più di 500 nm di spessore disposti casualmente su un piano bidimensionale”, ha detto l’autore principale Joel Hochstetter, un dottorando presso il Nano Institute e la University of Sydney School of Physics.

“Quando i fili si sovrappongono, formano una giunzione elettrochimica, come le sinapsi tra i neuroni”, ha detto. “Abbiamo scoperto che i segnali elettrici alimentati attraverso questa rete trovano automaticamente il percorso migliore per trasmettere informazioni. Questa architettura consente alla rete di “ricordare” i percorsi passati attraverso il sistema”.

L’autore principale Joel Hochstetter dell’Università di Sydney Nano Institute e School of Physics. Credito: Università di Sydney

Ai margini del caos

Usando le simulazioni, il team di ricerca ha testato la rete di nanocavi casuali per vedere come farla funzionare al meglio per risolvere compiti semplici.

Se il segnale stimolato dalla rete era troppo basso, i percorsi erano troppo prevedibili e ordinati e non producevano un output abbastanza complesso da essere utile. Se il segnale elettrico travolge la rete, l’uscita sarà completamente caotica e inutile nella risoluzione dei problemi.

Il segnale ottimale per produrre un’uscita utile era al limite di questo stato caotico.

“Alcune teorie in neuroscienza suggeriscono che il cervello umano può operare ai margini di questo caos, o il cosiddetto stato critico”, ha affermato il professor Konsik dell’Università di Sydney. “Alcuni neuroscienziati credono che in questo caso raggiungiamo le massime prestazioni del cervello”.

Il professor Konsik è un PhD advisor di Mr. Hochstetter ed è attualmente Fulbright Scholar presso l’UCLA, lavorando all’intersezione tra nanoscienza e intelligenza artificiale.

“La cosa interessante di questo risultato è che suggerisce che questi tipi di reti di nanocavi possono essere sintonizzati su sistemi con diverse dinamiche collettive simili al cervello, che possono essere sfruttate per migliorare l’elaborazione delle informazioni”, ha affermato.

Superare la duplicazione del computer

In una rete di nanofili, le interconnessioni tra i cavi consentono al sistema di integrare memoria e operazioni in un unico sistema. Questo è diverso dai computer standard, che separano la memoria (RAM) e i processi (CPU).

Queste giunzioni funzionano come i transistor dei computer, ma con l’ulteriore proprietà di ricordare che i segnali hanno già percorso questo percorso. Come tali, sono chiamati “memristori”, ha detto il signor Hochstetter.

Questa memoria assume una forma fisica, con giunzioni nei punti di incrocio tra nanofili che agiscono come interruttori, il cui comportamento dipende dalla risposta storica ai segnali elettrici. Quando i segnali vengono applicati attraverso queste giunzioni, piccoli fili d’argento crescono per attivare le giunzioni consentendo alla corrente di fluire attraverso di esse.

“Questo crea una rete di memoria all’interno del sistema randomizzato di nanofili”, ha detto.

Hochstetter e il suo team hanno costruito una simulazione della rete fisica per mostrare come può essere addestrata per risolvere compiti molto semplici.

“Per questo studio, abbiamo addestrato la rete a convertire una semplice forma d’onda in tipi più complessi di forme d’onda”, ha affermato Hochstetter.

Nella simulazione hanno regolato l’ampiezza e la frequenza del segnale elettrico per scoprire dove si sarebbero verificate le prestazioni migliori.

“Abbiamo scoperto che se spingi il segnale troppo lentamente, la rete fa la stessa cosa più e più volte senza apprendimento e sviluppo. Se lo spingiamo troppo forte e troppo velocemente, la rete diventa irregolare e imprevedibile”.

I ricercatori dell’Università di Sydney lavorano a stretto contatto con i collaboratori dell’International Center for Tectonic Nanomaterials del NIMS in Giappone e dell’UCLA, dove il professor Konsik è visiting scholar. I sistemi di nanofili sono stati sviluppati presso NIMS e UCLA e il signor Hochstetter ha sviluppato l’analisi, lavorando con i coautori e gli altri studenti di dottorato, Ruomin Zhu e Alon Loeffler.

Co-autore Professor Zdenka Koncic dell’Università di Sydney Nano Institute e School of Physics. Il professor Koncic è attualmente visiting scholar presso il Fulbright Program e l’UCLA. Credito: Università di Sydney

Ridurre il consumo di energia

Il professor Koncic ha affermato che il consolidamento della memoria e dei processi presenta enormi vantaggi pratici per il futuro sviluppo dell’intelligenza artificiale.

“Gli algoritmi devono addestrare la rete a sapere a quale incrocio deve essere assegnato il ‘carico’ appropriato o il peso delle informazioni che assorbono più potenza”, ha affermato.

“I sistemi che sviluppiamo eliminano la necessità di tali algoritmi. Permettiamo solo alla rete di sviluppare la propria ponderazione, il che significa che dobbiamo preoccuparci solo del segnale in entrata e in uscita, un framework noto come “tank computing”. I pesi di rete sono autonomi -adattativo, potenzialmente liberatorio Molta energia.”

Ciò significa che qualsiasi futuro sistema di intelligenza artificiale che utilizzerà tali reti avrà un impatto energetico molto inferiore, ha affermato.

Riferimento: 29 giugno 2021, Connessioni con la natura.
DOI: 10.1038 / s41467-021-24260-z

Finanziamento: risorsa di calcolo ad alte prestazioni Artemis presso il Sydney Informatics Hub, Fundamental Research Facility dell’Università di Sydney