Ученые из Сиднейского университета и Калифорнийского университета в Лос-Анджелесе (UCLA) успешно продемонстрировали физическую нейронную сеть, способную обучаться и запоминать информацию в реальном времени, подобно тому, как работают нейроны человеческого мозга. Это достижение открывает путь к созданию эффективного и малоэнергоемкого машинного интеллекта, способного решать сложные задачи обучения и запоминания.
Исследование, опубликованное в журнале Nature Communications, демонстрирует возможности нанопроволочных сетей, состоящих из крошечных проводов, расположенных в виде узоров, напоминающих игру "Подбери палочки". Эти сети имитируют нейронные сети, существующие в мозге, и могут быть использованы для решения конкретных задач обработки информации.
Ведущий автор работы Руомин Чжу (Ruomin Zhu), аспирант из Наноинститута и Школы физики Сиднейского университета, поясняет, что данное исследование демонстрирует, как с помощью нанопроволочных сетей можно использовать функции обучения и памяти, вдохновленные мозгом, для обработки динамических, потоковых данных.
Ключ к решению задач памяти и обучения лежит в простых алгоритмах, которые реагируют на изменение электронного сопротивления в местах пересечения нанопроводов. Такая функция переключения резистивной памяти напоминает поведение синапсов в нашем мозге, когда электрические входы сталкиваются с изменением проводимости.
В этом исследовании ученые использовали сеть для распознавания и запоминания последовательностей электрических импульсов, соответствующих изображениям, что имитирует процесс обработки информации человеческим мозгом. Кроме того, они выполнили задачу распознавания изображений с использованием базы данных рукописных цифр MNIST, являющейся эталоном машинного обучения.
Руководитель исследования профессор Зденка Кунчич сравнивает задачу запоминания с запоминанием телефонного номера. Она подчеркивает, что данная работа развивает предыдущие исследования, в которых основное внимание уделялось способности нанопроволочных сетей запоминать простые задачи. Нынешнее исследование демонстрирует, что эти сети могут выполнять задачи, используя динамические данные, доступные в режиме онлайн.
Достижение способности к онлайн-обучению особенно сложно при работе с большими объемами постоянно меняющихся данных. Традиционно данные хранятся в памяти, и модель машинного обучения обучается на основе этой информации. Однако такой подход потребляет чрезмерное количество энергии, что делает его нецелесообразным для широкого применения.
Создание физической нейронной сети, способной обучаться и запоминать информацию "на лету", является значительным шагом вперед в области машинного интеллекта. Она открывает возможности для создания более эффективных и малоэнергоемких решений сложных задач обучения и запоминания в реальном мире.
