一个以生物大脑为模型的实验计算系统已经“学会”识别手写数字，总体准确率达到93.4%。实验中的关键创新是一种新的训练算法，该算法在系统学习的同时实时地向系统提供有关其成功完成任务的连续信息。这项研究发表在《自然通讯》杂志上。
该算法优于传统的机器学习方法，后者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，存储在系统中的过去输入的记忆本身可以增强学习能力。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。
15年来，加州大学洛杉矶分校加利福尼亚纳米系统研究所(CNSI)的研究人员一直在开发一种新的计算平台技术。这项技术是一种受大脑启发的系统，由一团缠绕的含银电线网络组成，这些电线被放置在电极床上。该系统通过电脉冲接收输入并产生输出。每根电线都非常小，它们的直径可以用纳米尺度来测量，也就是十亿分之一米。
这种“微小的银脑”与今天的计算机有很大的不同，现在的计算机包含独立的存储器和处理模块，这些模块由原子组成，当电子流过它们时，原子的位置不会改变。相比之下，纳米线网络在响应刺激时物理上重新配置，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交流的突触行为。
悉尼大学(University of Sydney)的研究合作者开发了一种简化的算法，用于提供输入和解释输出。该算法是定制的，以利用系统类似大脑的动态变化能力，并同时处理多个数据流。
这个类似大脑的系统是由一种含有银和硒的材料组成的，它可以在16个电极阵列的顶部自组织成一个缠绕的纳米线网络。
科学家们使用手写数字的图像来训练和测试纳米线网络，手写数字是美国国家标准与技术研究所(National Institute of Standards and Technology)创建的数据集，通常用于对机器学习系统进行基准测试。图像通过持续千分之一秒的电脉冲逐像素地传输到系统中，不同的电压代表亮像素或暗像素。
纳米线网络仍在开发中，预计在执行类似任务时所需的功率远低于硅基人工智能系统。在当前人工智能难以完成的任务上，该网络也显示出了希望:理解复杂的数据，比如天气、交通和其他随时间变化的系统模式。要做到这一点，今天的人工智能需要大量的训练数据和极高的能量消耗。
在这项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互补作用。在能够持续适应和学习的物理系统中嵌入类似大脑的记忆和处理可能特别适合所谓的“边缘计算”，即在现场处理复杂的数据，而不需要与远程服务器通信。
潜在的用途包括机器人、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，以及来自多个地点传感器的健康监测和协调测量。
更多信息:朱若敏等，基于神经形态纳米线网络的在线动态学习和序列记忆，Nature Communications(2023)。DOI: 10.1038/s41467-023-42470-5
由加州纳米系统研究所提供
引用:实验类脑计算系统，使用自定义算法更准确(2023年，11月14日)检索自https://techxplore.com/news/2023-11-experimental-brain-like-accurate-custom-algorithm.html
作品受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。的有限公司
内容仅供参考之用。
