一个国际科学家小组已经完成困难的机器学习计算使用纳米级设备,名叫“optomemristor”。硫族化物薄膜设备使用光和电子信号和模拟生物计算多因素交互的哺乳动物大脑而消耗很少的能量。

迄今为止,硬件为人工智能和机器学习的应用研究主要集中在开发电子或光子突触和神经细胞,并结合这些执行neural-type处理的基本形式。然而,真正强大的处理机制中存在的大脑,如强化学习和树突计算,帮助我们学习新技能和执行日常任务,直接在硬件实现更有挑战性。这个新工作,今天发表在自然通讯,有助于填补这个失踪的“硬件差距”通过“optomemristor”设备的发展,同时响应多个电子和光子的输入。

复杂的学习和处理成为可能在哺乳动物大脑的丰富的生物物理机制控制大脑的神经元和突触的功能。一个关键方面是多因子的计算,如三因子学习,大脑可以有效地学习使用积极的和消极的增援部队,例如在体育或浏览一个迷宫。我们optomemristor方法促进这样的三因子学习,在一个单一的设备。

赛义德·拉什德Sarwat博士开展optomemristor实验作为DPhil牛津大学的学生,目前在IBM研究欧洲,在那里他与同事博士Timoleon Moraitis该设备应用于解决迷宫。Sarwat博士继续“我们的研究显示了一个可行的硬件方法有效地模拟强化学习,机器学习的一种形式,我们使用的纸,使人造啮齿动物学会浏览一个迷宫!”

哈瑞Bhaskaran教授领导这项研究的材料,牛津大学补充道,“我们演示神经的操作是基于交互的多个信号可以使用相对简单的硬件。这是说明我们演示一个线性不可分的分类问题(XOR),需要多层次的传统人工神经元的解决方案,与大脑中使用一个生物神经元。”

”的确,通过模仿所谓的分流抑制生物神经元的树突的函数,我们说明optomemristor可以有效地计算难题提供一种单一神经元的解决方案”,继续博士Timoleon Moraitis。

示威活动在早期概念验证阶段,显示承诺解决机器学习中一些重要的挑战。一些关键问题在考虑这些概念和集成的扩大与其他硬件模块。团队还是热情。“所有新概念有明显的风险,但这是一种新的方式思考所谓的多因素计算,这是激动人心的,”说大卫·莱特教授埃克塞特大学的研究。

参考:Sarwat SG, Moraitis T,赖特CD, Bhaskaran h .硫族化物optomemristors对多因素神经形态计算。Nat Commun。2022;13 (1):2247。doi:10.1038 / s41467 - 022 - 29870 - 9

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。