纳米线网络模仿大脑并学习手写，准确率高达 93.4%。

概括： 研究人员开发了一种类似于生物大脑的实验计算机系统，能够成功识别手写数字，准确率高达 93.4%。

这一壮举是通过一种新的训练算法实现的，该算法提供连续、实时的反馈，优于传统的批量数据处理方法，准确率高达 91.4%。

该系统的设计特点是电极上的纳米线自组织网络，具有交织的内存和处理能力，与具有分立模块的传统计算机不同。

类脑计算的这一进步可能会给人工智能应用带来革命性的变化，它需要更少的电力，并且擅长分析复杂的数据。

关键事实：

1. 纳米线网络系统表现出卓越的学习能力，识别手写数字的准确率达到93.4%。
2. 该系统独特的训练算法和物理架构内的内存存储使其有别于传统的计算方法。
3. 这项技术展示了节能人工智能应用的潜力，能够实时处理复杂而复杂的数据。

来源： 加州大学

一个模仿生物大脑的实验计算机系统实际上“学习”识别手写数字，总体准确率为 93.4%。

该实验的主要创新是一种新的训练算法，该算法可以在系统学习时实时向系统提供有关其成功完成任务的连续信息。

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组数据后进行训练，准确率达到 91.4%。 研究人员还表明，存储在系统本身中的先前输入的记忆可以增强学习能力。 相比之下，其他计算方法将存储器存储在与设备处理器分离的软件或硬件内。

背景

15 年来，加州大学洛杉矶分校加州纳米系统研究所 (CNSI) 的研究人员开发了一种新的计算平台技术。 该技术是一种受大脑启发的系统，由放置在电极床上的含银线的纠结网络组成。

该系统通过电脉冲接收输入并产生输出。 单根电线非常小，其直径可以在纳米尺度（十亿分之一米）上测量。

“小银脑”与今天的计算机有很大不同，后者具有由原子组成的离散存储器和处理单元，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塑，记忆基于其原子结构并遍布整个系统。 当电线重叠时，连接可能会形成或断开，这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简化的算法，用于提供输入和解释输出。 该算法经过定制，可利用系统类似大脑的能力来动态变化并同时处理多个数据流。

路

这个类似大脑的系统由一种含有银和硒的材料组成，它可以在 16 个电极阵列上自组织成一个由缠结的纳米线组成的网络。 科学家们使用手写数字图像来训练和测试纳米线网络，这是由美国国家标准与技术研究所创建的数据集，通常用于对机器学习系统进行基准测试。

使用每个持续一毫秒的电脉冲将图像逐个像素发送到系统，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比基于硅的人工智能系统要少得多。 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，例如天气模式、交通和其他随时间变化的系统。 为此，当今的人工智能需要大量的训练数据和非常高的能源消耗。

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

嵌入物理系统中的类脑记忆和处理能力能够不断适应和学习，可能特别适合所谓的“边缘计算”，它可以立即处理复杂的数据，而无需连接到远程服务器。

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

该研究的通讯作者为加州大学洛杉矶分校化学系杰出教授、CNSI 成员 James Gimzewski； Adam Steg，加州大学洛杉矶分校研究科学家、CNSI 中心副主任； Zdenka Koncic，悉尼大学物理学教授； 悉尼大学博士生周如敏也是第一作者。 其他合著者包括 Sam Lilac，他于 2022 年从加州大学洛杉矶分校获得博士学位； 以及来自悉尼大学的 Alon Loeffler 和 Joseph Lizer。

金融

这项研究得到了悉尼大学和澳大利亚-美国富布赖特委员会的支持。

关于计算神经科学研究新闻

作者： 妮可·威尔金斯
来源： 加州大学
沟通： 妮可·威尔金斯 – 加州大学
图片： 图片来源：神经科学新闻

原始搜索： 开放访问。
”使用神经纳米线网络的动态在线学习和顺序记忆“作者：James Gemzewski 等人。 自然通讯

总结

使用神经纳米线网络的动态在线学习和顺序记忆

纳米线网络（NWN）属于一类新兴的神经系统，它利用纳米结构材料的独特物理特性。 除了类似神经网络的物理结构外，由于纳米线与纳米线之间交叉点连接处的电导发生类似突触的变化，纳米线还表现出响应电输入的电阻式记忆切换。

先前的研究已经表明如何在时间学习任务中利用 NWN 生成的神经形态动力学。

这项研究进一步扩展了这些发现，通过展示使用应用于 NWN 设备的图像分类和串行记忆回忆任务来在线学习动态时空特征。

应用于 MNIST 手写数字分类任务，使用 NWN 设备进行动态在线学习，总体准确率达到 93.4%。

此外，我们发现奇数类别的分类精度与互信息之间存在关系。 序列记忆任务揭示了嵌入动态特征中的记忆模式如何实现时空序列模式的在线学习和回忆。

总的来说，这些结果为使用 NWN 在线学习时空动力学提供了概念证明，并展示了记忆如何增强学习。