人間の髪の毛のわずか200分の1の太さ！科学者たちは脳のように電気を生成できる「ナノワイヤーネットワーク」を構築した

今日の主流の人工知能技術は、ある意味では脳の構造にヒントを得たものです。

しかし、コンピュータの計算能力が継続的に向上するにつれて、コンピュータの AI コンピューティングは人間の脳とは根本的に異なるものになりました。人間の脳と比較すると、ビッグデータ内のモデルパターンを見つける AI の能力は、人間の脳の範囲をはるかに超えています。

しかし、人間の脳は明らかに「奇跡を起こす強い力」を信じておらず、脳が処理する情報はしばしばまばらで複雑であり、常に劇的に変化しています。

これは、今日多くの AI 科学者が夢見ている機能でもあります。最近、シドニー大学と日本の物質・材料研究機構の科学者らが、ナノワイヤネットワーク（NWN）を使用して、電気刺激を受けたときの人間の脳の反応をシミュレートする論文をネイチャー・コミュニケーションズに発表したが、実験結果は非常に良好である。

いわゆるナノワイヤ ネットワークは、平均長さが 10 ミクロン以下、直径が 500 ナノメートル以下の銀ナノクラスターの束で構成されており、ウェハー上にランダムに広がり、厚さ約 1 ナノメートルの絶縁ポリマー層で覆われています。

従来の集積回路とは異なり、ネットワークに電流が流れると、銀イオンがポリマー内を移動し、さまざまなシナプスのような構造を流れるときに人間の脳に似た反応を生み出します。

これは、微視的な物理的構造の観点から脳がどのように機能するかを説明するための基礎も築きます。

研究チームの最新の研究結果によると、ナノワイヤ ネットワークを「カオスの端」に似た状態に保つことで、タスクを処理する際に非常に効率的で理想的な結果が得られることがわかりました。

これは人工知能コンピューティングに新たな扉を開くものと思われます。

ナノワイヤネットワークモデル

研究者らは、PVP コーティングを施した自己組織化銀ナノワイヤを使用して、高度に無秩序で複雑なネットワーク トポロジーを形成しました。ニューロモルフィック デバイスである NWN は、ネットワーク全体の固定電極位置間にバイアス電圧を印加することによって動作します。

神経形態学的ダイナミクスに対するより深い洞察を得るために、研究者らは Ag PVP NWN の物理学に基づく計算モデルを開発しました。

図a. 自己組織化銀ナノワイヤの光学顕微鏡画像（1:100 μm）

図c. Gjnの|Λ|に対する非線形依存性。スイッチのような接合ダイナミクスを生み出す

0 ≤ |Λ| < Λcrit の場合、絶縁体となります。 |Λ| が Λcrit に近づくと、接合はトンネル領域に遷移し、|Λ| の増加とともに伝導率が指数関数的に増加します。

次に、この論文では、ニューロモルフィック システムのネットワーク レベルのダイナミクスを分析するためのモデルを使用したシミュレーション実験を紹介します。

NWNの適応

図 a. 最初は不活性な NWN の DC 活性化曲線 (すべての接合部で Λ = 0)。

図 b. 最短経路長 n に対応する最初の伝送経路の形成を示す NWN のスナップショット視覚化。

図c. 定常状態のネットワークコンダクタンス

この研究の結果は、NWN が外部からの駆動に適応的に反応し、双安定状態 (LCS と HCS) 間で一次相転移を起こすことができることを示しています。これらのグローバル ネットワーク ダイナミクスは、ノード間の反復的な接続とそれらのスイッチング状態から生じます。

ノード切り替えにより非ローカル伝送が促進される

ネットワークのアクティブ化または非アクティブ化は、ノード間の再帰接続で発生する集合的な効果として理解できます。

キルヒホッフの法則 (KVL) によれば、ノードに入るすべての電流の合計は、ノードから出るすべての電流の合計に等しく、閉ループに沿ったすべてのコンポーネント間の電圧の代数和はゼロに等しくなります。

実験結果から、交差点の一連の切り替え後、複雑なネットワーク トポロジとメモリスティブ接続ポイントの切り替え間の結合により伝送パスが出現することがわかります。接合部が導電状態に移行すると、周囲に電圧を適応的に再分配する一連のアクティビティがトリガーされます。

アバランシェスイッチングダイナミクス

研究チームは、ニューロン集団やその他の神経形態学的システムにおいて、スケールフリーサイズと生涯イベント統計を持つ雪崩を発見しました。これは、臨界ダイナミクスの特徴です。

駆動電圧の強度を閾値 Vth から変化させることにより、アバランシェ分布はべき乗則から外れ始めます。

V*<1 の場合、ネットワーク内にパスを形成できず、スイッチングによって小規模な雪崩が発生します (図の黒い点で示されています)。

V* が 1 に近づくと、分布は長くなり、べき乗則になります (図の赤い点で示されています)。

V*=1、つまりネットワークがアクティブになっている場合、二峰性分布が明らかであり、雪崩特性が明らかであり、べき乗則の末尾に現れます。

ネットワークのサイズが大きくなるにつれて、べき乗法則領域に対する膨らみの確率密度も増加します。これは、これらの異常に大きな雪崩が超臨界状態と一致していることを示唆しています。

信号によるネットワークステータスの制御

異なる電気信号刺激下では、ナノワイヤ ネットワークは異なる応答状態を示します。ナノワイヤ ネットワークを「境界カオス」状態とするには、システムを駆動する AC 信号のリアプノフ指数 λ が ≈ 0 である必要があります。

λ≈0のとき、システムは「エッジカオス」状態に入る。

この研究では、ネットワークがゆっくり駆動されると、外乱の振幅に適応して維持できるが、速く駆動されると、ネットワークは外乱に適応できず、隣接するネットワーク ノードが分離してしまうことも判明しました。周波数の速度は、信号の振幅とネットワークの構造 (サイズと密度) によって異なります。擾乱の縮小と擾乱の増大の間の動的バランス機構により、システムの安定性を維持することができます。

したがって、駆動信号を調整してシステムの状態を制御することで、ナノワイヤ ネットワークを理想的な状態に維持できます。

ナノワイヤネットワークがデビュー

ナノワイヤ ネットワークの性能を検証するために、研究チームはそれを使用して簡単な波形変換作業を実行しました。

正弦波がネットワークに入力され、さまざまなターゲットの波形が線形回帰モデルを通じてトレーニングされ、最終的にナノワイヤの電圧が出力として使用されます。次の波形が得られます。

異なるλ値は異なる変換精度に対応していることが確認できます。λ≈0の場合、システム精度は0.95に達します。方形波の場合、ネットワークが「カオス」状態（λ＞0）にあると、精度は急激に低下します。システムの計算精度は、計算タスクの複雑さに応じてさまざまな変化を示しますが、システムが「カオスの端」の状態にあるときに最高のパフォーマンスを発揮します。

要約すると、ナノワイヤニューラルネットワークは、入力信号を制御することで秩序と混沌の間で調整することができ、これは、ナノワイヤネットワークが脳と同様の多様な動的メカニズムを持つように調整できることを示しており、情報処理や人工知能関連のコンピューティング分野で大きな可能性を秘めています。

従来の人工知能ネットワークでは、ネットワーク アルゴリズムをトレーニングする際に、コンピューターがどのノードに適切な量の負荷を割り当てるかを決定する必要があります。このシステムでは、ナノワイヤ ネットワークが自動的にノードの負荷を適応および分散できるため、同様のアルゴリズムは必要ありません。

この研究を発表した科学者らは、これにより多くのコンピューティングリソースが節約され、AIコンピューティングの二酸化炭素排出量も削減される可能性があると述べている。

この研究のコードは Github でオープンソース化されています。興味のある方は、https://github.com/joelhochstetter/NWNsim をご覧ください。