
首次,一种物理神经网络成功展示了“实时学习和记忆”的能力,其灵感以及工作方式类似于大脑神经元的工作。
这一结果为更为复杂且真实的学习和记忆任务的高效、低能耗的机器智能开辟了一条道路。

主要作者朱若敏,来自悉尼大学纳米研究所和物理学院的博士生,表示:“这些研究结果展示了如何利用纳米线网络来模拟大脑学习与记忆功能,以处理动态的、流式的数据。”
纳米线网络
纳米线网络由直径仅为数十亿分之一米的微小线条组成。这些线条以类似于儿童游戏“接线杆”的图案排列,模仿了我们大脑中神经网络的形态。这些网络可以用于执行特定的信息处理任务。

通过对电阻发生变化的地方进行简单算法的响应,可以实现记忆和学习任务。这种算法运用在纳米线交叉处的电子电阻中,形成了所谓的“电阻性存储开关”功能。当电信号遇到导电性的变化时,类似于我们大脑中的突触反应。
研究成果及其启示
在这项研究中,研究人员借鉴了人脑处理信息的方式,利用网络识别和记忆与图像相对应的电脉冲序列。

主管研究人员Zdenka Kuncic教授表示,这项记忆任务类似于记住一个电话号码。该网络还用于执行基准图像识别任务,访问手写数字MNIST数据库中的图像,这是一个包含7万张小型灰度图像的集合,用于机器学习。
“我们之前的研究已经证实了纳米线网络记忆简单任务的能力。这项研究通过展示可以使用在线动态数据来执行任务,进一步延伸了这些发现。这是一个重要的进步,因为要实现在线学习的能力在处理大量可能持续变化的数据时面临挑战。传统的方法是将数据存储在内存中,然后使用存储的信息来训练机器学习模型。但是这种方法会消耗过多的能量,难以广泛应用。”
“我们的新颖方法使得纳米线神经网络能够‘即时学习和记忆’,逐个样本地在线提取数据,从而避免了繁重的内存和能源消耗。”
如果数据是连续传输的,比如来自传感器的数据,依赖人工神经网络的机器学习需要具备实时自适应的能力,而目前它们还未进行优化。
在这项研究中,纳米线神经网络展现出了卓越的机器学习能力,能够以93.4%的准确率正确识别测试图像。在记忆任务中,涉及到回忆最多八位数字的顺序。对于这两个任务,数据被输入到网络中以展示其在线学习的能力,并且显示记忆如何增强学习的效果。









