Ett litet, självorganiserat nätverk av konstgjorda synapser minns sina upplevelser och kan lösa enkla problem. Dess skapare hoppas att en dag, på grundval av denna konstgjorda hjärna, kommer enheter att skapas som i deras energieffektivitet inte är underlägsen än hjärnans datakraft. I allmänhet är hjärnor, om vi utelämnar deras prestationer när det gäller att tänka och lösa problem, perfekta i deras energieffektivitet. Hjärnan behöver samma mängd energi för att fungera som en 20-watts glödlampa absorberar. Och en av de mest kraftfulla och snabbaste superdatorerna i världen, Computer K i Kobe, Japan, använder upp till 9,89 megawatt kraft - ungefär samma som 10 000 hem. Men 2013, även med denna energi, tog det maskinen 40 minuter att simulera 1% av den mänskliga hjärnans aktivitet på 1 sekund.
Och så forskaringenjörer vid NanoSystems Institute of California vid University of California, Los Angeles, hoppas kunna konkurrera med beräknings- och energieffektiva förmågor i hjärnan, tack vare system som speglar hjärnans struktur. De skapar en enhet, kanske den första i sitt slag, som är "inspirerad av hjärnan för att generera egenskaper som gör det möjligt för hjärnan att göra vad den gör," säger Adam Stig, en forskare och docent vid institutet som leder projektet med Jim Gimzewski, professor i kemi vid University of California. I Los Angeles.
Deras design är inte alls som vanliga datorer, som är baserade på små ledningar tryckta på kiselmikrokretsar i högordnade kretsar. Den nuvarande experimentella versionen är ett 2 x 2 mm rutnät av silver nanotrådar anslutna med konstgjorda synapser. Till skillnad från kiselkretsar med sin geometriska precision är denna enhet vävd som en "välblandad spagettiskål," säger Stig. Dessutom är dess fina struktur organiserad från slumpmässiga kemiska och elektriska processer och är inte noggrant utformad.
I dess komplexitet liknar den här silverbanan en hjärna. Det finns en miljard konstgjorda synapser per kvadratcentimeter av nätet, vilket är flera storleksordningar som skiljer sig från den verkliga hjärnan. Nätets elektriska aktivitet uppvisar också en egenskap som är unik för komplexa system som hjärnan: "kritiskhet", ett tillstånd mellan ordning och kaos som indikerar maximal effektivitet.
Detta nätverk av mycket sammanflätade nanotrådar kan se kaotiskt och slumpmässigt ut, men dess struktur och beteende liknar neurons i hjärnan. Forskare vid NanoSystems utvecklar det som en hjärnanordning för lärande och datoranvändning.
Preliminära experiment visar dessutom att detta neuromorfa (dvs hjärnliknande) silvertrådsnät har stor funktionell potential. Hon kan redan utföra enkla pedagogiska och logiska operationer. Det kan ta bort oönskat ljud från den mottagna signalen, en viktig förmåga för röstigenkänning och liknande uppgifter som orsakar problem i traditionella datorer. Och dess existens bevisar principen att det en dag kommer att vara möjligt att skapa enheter med energieffektivitet nära hjärnans.
Dessa fördelar är särskilt nyfikna mot bakgrund av den närmande gränsen för miniatyrisering och effektivitet hos kiselmikroprocessorer. "Moores lag är död, halvledare kan inte längre bli mindre, och folk börjar gråta om vad vi ska göra," säger Alex Nugent, VD för Knowm, ett neuromorft datorföretag som inte är involverat i UCLA-projektet.”Jag gillar den här idén, den här riktningen. Konventionella datorplattformar är en miljard gånger mindre effektiva."
Kampanjvideo:
Växlar som synapser
När Gimrzewski började arbeta med sitt silvernätprojekt för 10 år sedan var han inte intresserad av energieffektivitet alls. Han var uttråkad. Efter att ha använt ett skannatunnelmikroskop för att studera elektronik på atomskalan i 20 år sa han slutligen "Jag är trött på perfektion och exakt kontroll och lite trött på reduktionism."
Reduktionism bör antas ligga till grund för alla moderna mikroprocessorer, när komplexa fenomen och kretsar kan förklaras med enkla fenomen och element.
År 2007 ombads han att studera enskilda atomomkopplare (eller switchar) utvecklade av Masakazu Aono-gruppen från International Center for Materials on Nanoarchitectonics i Tsukuba, Japan. Dessa strömställare innehöll samma ingrediens som gör en silversked svart när den rör vid ett ägg: järnsulfid klämd mellan hårt metalliskt silver.
Genom att anbringa spänning på anordningarna skjuts de positivt laddade silverjonerna i silversulfiden mot silverkatodskiktet, där de reduceras till metalliskt silver. De atomära silverfilamenten växer och så småningom stänger avståndet mellan de metalliska silversidorna. Strömbrytaren är på och strömmen kan strömma. Återvändning av strömmen har motsatt effekt: silverbroarna förkortas och brytaren stängs av.
Men kort efter att ha utvecklat omkopplaren började Aonos grupp observera ovanligt beteende. Ju oftare omkopplaren användes, desto lättare var det att slå på. Om den inte använts under någon tid stängdes den gradvis av på egen hand. I huvudsak kom omkopplaren ihåg sin historia. Aono och hans kollegor fann också att omkopplarna tycktes interagera med varandra, så att en brytare ibland skulle blockera eller stänga av andra i närheten.
Majoriteten i Aonos grupp ville konstruera dessa konstiga egenskaper utanför omkopplare. Men Gimrzewski och Stig (som just hade avslutat sin doktorsexamen i Gimrzewskis grupp) kom ihåg synapser, växlarna mellan nervceller i den mänskliga hjärnan, som också förändrar förhållanden till erfarenhet och interaktion. Och så idén föddes. "Vi tänkte, varför inte försöka översätta allt detta till en struktur som liknar ett hjärnbark från däggdjur och studera det?" Säger Stig.
Att bygga en så komplex struktur var definitivt svårt, men Stig och Odrius Avicenis, som just hade gått med i gruppen som doktorand, utvecklade ett protokoll för detta. Genom att hälla silvernitrat på små kopparsfärer kan de få mikroskopiskt tunna, skärande silvertrådar att växa. De kunde sedan pumpa svavelgas genom detta rutnät för att skapa ett lager av silverfärgad sulfid mellan silvertrådarna, som i det ursprungliga Aono-teamets atomomkopplare.
Självorganiserad kritik
När Gimzewski och Stig berättade för andra om sitt projekt, trodde ingen att det skulle fungera. Vissa sa att enheten skulle visa en typ av statisk aktivitet och bosätta sig på den, erinrade Stig. Andra föreslog det motsatta: "De sa att omkopplaren skulle kaskad och hela strukturen skulle bara brinna ut," säger Gimzewski.
Men enheten smälte inte. Däremot, när Gimzewski och Stig tittade på honom genom en infraröd kamera, fortsatte ingångsströmmen att ändra banorna den tog genom enheten - vilket bevisade att aktiviteten i nätverket inte var lokaliserad, utan snarare distribuerad, som i hjärnan.
En höstdag 2010, när Avicenis och hans kollega Henry Sillin ökade ingångsspänningen till enheten, märkte de plötsligt att utspänningen började slumpmässigt svänga, som om trådnätet hade blivit liv. "Vi satte oss och såg på det, vi blev chockade," säger Sillin.
De gissade att de hade hittat något intressant. När Avicenis analyserade övervakningsdata över flera dagar fann han att nätverket förblev på samma nivå av aktivitet under korta perioder oftare än under långa perioder. Senare fann de att små verksamhetsområden var vanligare än stora.
"Min käke tappade", säger Avicenis, för det är första gången de lärde sig en maktlag från sin enhet. Kraftlagar beskriver matematiska förhållanden där en variabel förändras som kraften hos en annan. De gäller system där större skalor, längre händelser är mindre vanliga än mindre och kortare, men de är utbredda och inte av misstag. Per Bac, en dansk fysiker som dog 2002, föreslog först kraftlagar som kännetecken för alla typer av komplexa dynamiska system som kan organiseras över stora skalor och långa avstånd. Detta beteende, sade han, indikerar att ett komplext system balanserar och fungerar på det gyllene medelvärdet mellan ordning och kaos, i ett tillstånd av "kritik", och att alla dess delar interagerar och kopplar samman för maximal effektivitet.
Som Buck förutsåg, observerades maktlagarens beteende i den mänskliga hjärnan: 2003 observerade Dietmar Plenz, en neurofysiolog vid National Institute of Health, att grupper av nervceller aktiverade andra, som i sin tur aktiverade andra, ofta utlöste systemiska kaskader av aktiveringar. Plenz fann att storleken på dessa kaskader följer en maktlagsfördelning, och hjärnan verkade verkligen på ett sådant sätt att man maximerade aktivitetsspridningen utan att riskera att förlora kontrollen över dess spridning.
Det faktum att University of California-enheten också demonstrerade maktlagen i handling är mycket viktigt, säger Plentz. Eftersom det följer att det, liksom i hjärnan, har en känslig balans mellan aktivering och hämning, vilket gör att summan av dess delar fungerar. Aktiviteten undertrycker inte uppsättningen, men den stoppar inte heller.
Gimrzewski och Stig fann senare en annan likhet mellan silvernätverket och hjärnan: precis som den sovande mänskliga hjärnan uppvisar färre korta kaskader av aktivering än den vakna hjärnan, blir det korta aktiveringsläget i silvernätverket mindre vanligt vid lägre ingångsenergier. På något sätt kan en energiförbrukning för en enhet skapa ett tillstånd som liknar det vilande hjärnans sovande tillstånd.
Lärande och datoranvändning
Och här är frågan: om ett nätverk av silvertrådar har egenskaper som liknar hjärnans, kan det lösa beräkningsproblem? Preliminära experiment har visat att svaret är ja, även om enheten naturligtvis inte ens är avlägsen jämförbar med en vanlig dator.
För det första finns det ingen programvara. Istället utnyttjar forskarna det faktum att nätverket kan snedvrida den inkommande signalen på olika sätt, beroende på var utsignalen mäts. Detta erbjuder en möjlig användning för röst- eller bildigenkänning, eftersom enheten måste kunna rensa upp en bullrig insignal.
Av detta följer också att anordningen kan användas för så kallade reservoarberäkningar. Eftersom en enda ingång i princip kan generera många, miljoner olika utgångar (därav behållaren), kan användare välja eller kombinera utgångar så att resultatet blir den önskade ingångsberäkningen. Om du till exempel stimulerar en enhet på två olika platser samtidigt, finns det en chans att en av miljoner olika utgångar kommer att representera summan av de två ingångarna.
Utmaningen är att hitta rätt slutsatser och avkoda dem, och ta reda på hur man bäst kan koda informationen så att nätverket kan förstå den. Detta kan göras genom att träna enheten: genom att köra uppgiften hundratals eller tusentals gånger, först med en typ av ingång, sedan med en annan och jämföra vilken utgång som klarar uppgiften bättre. "Vi programmerar inte enheten, men vi väljer det bästa sättet att koda informationen så att nätverkets beteende är användbart och intressant," säger Gimrzewski.
I ett arbete som snart kommer att publiceras kommer forskare att förklara hur de utbildade ett nätverk av ledningar för att utföra enkla logiska operationer. Och i opublicerade experiment utbildade de nätverket för att lösa ett enkelt minnesproblem som vanligtvis ges till råttor (T-labyrinten). I T-labyrintest belönas råttan om den gör en korrekt sväng som svar på ljus. Med sin egen version för utbildning kan nätverket göra rätt val 94% av tiden.
Hittills har dessa resultat varit lite mer än ett principbevis, säger Nugent. "Den lilla råtta som tar ett beslut i T-labyrinten kommer aldrig nära till något i maskininlärning som kan utvärdera dess system," på en traditionell dator, säger han. Han tvivlar på att enheten kan förvandlas till ett användbart chip de närmaste åren.
Men potentialen är enorm, betonar han. Eftersom nätverket, som hjärnan, inte separerar behandling och minne. Traditionella datorer måste överföra information mellan olika domäner som hanterar dessa två funktioner. "All denna extra kommunikation bygger sig upp eftersom kablarna behöver ström," säger Nugent. Med traditionella datorer måste du stänga av Frankrike för att simulera en komplett mänsklig hjärna med anständig upplösning. Om enheter som Silver Network kan lösa problem med effektiviteten i maskininlärningsalgoritmer som körs på traditionella datorer, kan de använda en miljard gånger mindre ström. Och då är saken liten.
Forskarnas resultat stöder också uppfattningen att intelligenta system under rätt omständigheter kan bildas genom självorganisation, utan någon mall eller process för deras utveckling. Silvernätverket "kom spontant fram", säger Todd Hilton, en tidigare DARPA-chef som stödde projektet tidigt.
Gimrzewski tror att ett nätverk av silvertrådar eller liknande enheter kan vara bättre än traditionella datorer för att förutsäga komplexa processer. Traditionella datorer modellerar världen med ekvationer som ofta bara beskriver komplexa fenomen ungefär. Atomomkopplare neuromorfa nätverk anpassar sin egen inneboende strukturella komplexitet med fenomenet de simulerar. Och de gör det också snabbt - nätverkets tillstånd kan variera med upp till tiotusentals förändringar per sekund. "Vi använder ett komplext system för att förstå komplexa fenomen," säger Gimrzewski.
Tidigare i år, vid ett möte i American Chemical Society i San Francisco, presenterade Gimzewski, Stig och deras kollegor resultaten från ett experiment där de matade enheten de första tre åren av ett sexårigt Los Angeles-trafikdatum i en serie pulser som anger antalet passerar bilar per timme. Efter hundratals timmars träning förutspådde slutligen den statistiska trenden för den andra halvan av datasatsen, och ganska bra, även om det inte visades för enheten.
Kanske en skämt Gimrzewski en dag, använder han nätverket för att förutsäga aktiemarknaden.
Ilya Khel
