僅頭發絲1/200厚度！科學家用銀線團搭建「納米線網絡」，觸電就像大腦一樣運作

【導讀】來自悉尼大學和日本國家材料科學研究所的科學家們在自然通訊上發文：通過納米線網絡能夠模擬人類大腦對于電信號的應激反應，這可能為人工智能領域打開一扇新的大門。

如今主流的人工智能技術從某種意義上來講是受到大腦結構的啟發而發明的。

然而隨著計算機算力的不斷提升，計算機的AI計算已經與人腦有了本質的區別：與人類大腦相比，AI通過在大數據中尋找模型規律的能力是人類大腦遠不能及的。

但是人類的大腦顯然不相信「大力出奇跡」，并且大腦處理的信息往往都是稀疏、復雜而且時時都在劇烈變化的。

這也是如今不少AI科學家們夢寐以求的特性。最近，來自悉尼大學和日本國家材料科學研究所的科學家們在自然通訊上發表論文，試著通過使用納米線網絡（NWN）來模擬人類大腦在受到電激時的反應，實驗效果還不錯。

所謂納米線網絡是由一堆平均長度不超過10微米，直徑不超過500納米的銀納米團隨機鋪在晶圓上，并且在上面覆蓋一層約1納米厚的絕緣聚合物。

與傳統的集成電路不同的是，當電流流經網絡時，將引起銀離子在聚合物中遷徙，從而在流經不同的類似突觸結構時，便會產生與人類大腦類似的反應。 

這也為從微觀物理結構角度來解釋大腦的工作原理打下了基礎。

研究團隊的最新結果表明，將納米線網絡保持在一個類似「混沌邊緣」的狀態，在處理任務時可以獲得相當高效而且理想的結果。

這似乎為人工智能計算打開了新的大門。 

研究人員利用含有PVP涂層的自組裝銀納米線形成高度無序、復雜的網絡拓撲。NWN作為一種神經形態設備，在整個網絡的固定電極位置之間應用偏壓操作。

為了更深入地了解神經形態動力學，研究人員開發了一個物理驅動的 Ag PVP NWN 計算模型。

圖c. Gjn對∣Λ∣的非線性相關性，即產生類似開關的交界動態

當 0 ≤ ∣Λ∣ < Λcrit 時為絕緣。當∣Λ∣ 接近 Λcrit 時，交界處過渡到隧穿狀態，其中電導隨 ∣Λ∣ 的增加呈指數增長。 

接下來，論文介紹了使用該模型做的模擬實驗，分析該神經形態系統的網絡級動態。

圖b. NWN 的快照可視化，顯示第一傳輸通路的形成，對應到最短路徑長度 n。

圖c. 穩態網絡電導 

該部分的研究結果表明，NWN能夠自適應地響應外部驅動，并且可以在雙穩態（LCS和HCS）之間進行一階相變。這些全局網絡動態狀態源于節點之間的循環連接及其切換狀態。

網絡激活或去激活可以理解為節點之間的循環連接中出現的集體效應。

根據基爾霍夫定律（KVL），所有進入某節點的電流總和等于所有離開這節點的電流總和；沿著閉合回路所有元件兩端的電壓的代數和等于零。

經過一系列交匯點的切換，實驗結果表明，傳輸通路的出現是因為復雜網絡拓撲結構和憶阻連接點切換之間產生的耦合。當連接點過渡到導電狀態時，會引發級聯活動，自適應地重新將電壓分配到周圍。

研究團隊發現，在神經元群和其他神經形態系統中，具有無標度大小和生命周期事件統計數據的雪崩，這是臨界動力學的一個標志。

通過改變遠離閾值Vth的驅動電壓強度，雪崩分布開始偏離冪律。

當V*<1時，網絡中無法形成通路，切換會導致小規模雪崩（圖中黑點所示）。 

當V*接近1時，分布延長，成為冪律（圖中紅點所示）。

當V*=1時，即網絡激活時，雙峰分布明顯，雪崩特征明顯且出現在冪律尾部。

隨著網絡規模增加，凸起相對于冪律區域的概率密度也會增加。這表明這些異常大的雪崩符合超臨界狀態。

在不同的電信號刺激下，納米線網絡呈現出了不同狀態的反應。想要讓納米線網絡呈現出「邊緣混沌」狀態，需要令驅動系統的交流電信號的李雅普諾夫指數λ≈0。 

當λ≈0的時候，系統會進入到「邊緣混沌」狀態

另外研究還發現，當慢速驅動時，網絡能夠適應并維持擾動幅度，而當快速驅動時，網絡則無法適應擾動，并且會導致相鄰網絡節點分離。而頻率的快慢則取決于信號的幅度以及網絡的結構（大小和密度）。而在擾動收縮和擾動增長之間的動態平衡機制，則可以維持系統的穩定性。

所以通過調整驅動信號來控制系統狀態，可以令納米線網絡維持在理想的狀態下。

為了驗證納米線網絡的性能，研究團隊使用它進行了簡單的波形變換工作。

將正弦波輸入網絡，通過線性回歸模型來訓練不同目標的波形，最后將納米線電壓作為輸出。可以獲得下圖的波形：

可以驗證，不同的λ值對應著不同的變換精度，當λ≈0時，系統精度達到了0.95，對于方形波而言，當網絡處于「混沌」狀態時（λ＞0），精度會迅速下降。根據不同復雜度的計算任務，系統的計算精度展現出不同的變化，但是當系統處于「混沌邊緣」狀態時，表現最為出色。

總而言之，納米線神經網絡可以通過控制輸入信號的控制下可以在有序和混沌狀之間進行調整，這表明納米線網絡可以調整成為與大腦類似的，多樣化的動力學機制，在信息處理以及人工智能的相關計算領域潛力巨大。

對于傳統的人工智能網絡而言，計算機在訓練網絡算法時需要判斷給哪個節點分配適量的負載，而這套系統則不需要類似的算法，因為納米線網絡可以自動適應并分配節點的負載。

這可以節省許多的計算資源，還能夠降低AI計算的碳足跡，發表這項研究的科學家說到。