物理学家第一次成功地证明，物理神经网络可以&#quot;在飞行中”学习和记忆，其方式受到大脑神经元工作方式的启发，并与之相似。

这一结果为开发更复杂的、现实世界的学习和记忆任务的高效、低能耗机器智能开辟了一条道路。

今天发表在《自然通讯》上的这项研究是悉尼大学和加州大学洛杉矶分校的科学家们合作进行的。

该研究的第一作者、悉尼大学纳米研究所和物理学院的博士生朱若敏说:&#quot;研究结果表明，利用纳米线网络，大脑激发的学习和记忆功能可以用来处理动态、流数据。”

纳米线网络是由直径只有十亿分之一米的微小电线组成的。这些电线自己排列成让人想起儿童游戏&#quot;捡起棍子”的模式，模仿神经网络，就像我们大脑中的神经网络一样。这些网络可以用来执行特定的信息处理任务。

记忆和学习任务是通过简单的算法来实现的，这些算法可以对纳米线重叠处的电子电阻变化做出反应。这种功能被称为&#quot;电阻性记忆开关”，当电输入遇到电导率变化时，就会产生这种功能，类似于我们大脑中的突触。

在这项研究中，受人类大脑处理信息方式的启发，研究人员利用该网络识别并记忆与图像相对应的电脉冲序列。

监督研究人员Zdenka Kuncic教授说，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MNIST手写数字数据库中的图像，该数据库收集了用于机器学习的70,000张小型灰度图像。

&#quot;我们之前的研究建立了纳米线网络记忆简单任务的能力。这项工作扩展了这些发现，表明可以使用在线访问的动态数据来执行任务。”

&#quot;这是向前迈出的重要一步，因为在处理大量不断变化的数据时，实现在线学习能力是具有挑战性的。标准的方法是将数据存储在内存中，然后使用存储的信息训练机器学习模型。但这将消耗太多的能量，不利于广泛应用。

&#quot;我们的新方法允许纳米线神经网络‘在飞行中’学习和记忆，一个样本接一个样本，在线提取数据，从而避免了繁重的内存和能源消耗。”

朱先生说，在网上处理信息还有其他优势。

他说:&#quot;如果数据是连续流的，比如来自传感器的数据，那么依赖人工神经网络的机器学习将需要具有实时适应的能力，而目前它们还没有优化这一点。”

在这项研究中，纳米线神经网络显示了基准机器学习能力，在正确识别测试图像方面得分为93.4%。记忆任务包括回忆最多八个数字的序列。在这两项任务中，数据都被传输到网络中，以展示其在线学习的能力，并展示记忆如何增强学习。

作者：悉尼大学

链接：https://www.sciencedaily.com/releases/2023/11/231101134804.htm

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：15264513609，邮箱：1027830374@qq.com