用于人工神经网络的仿生聚合物大脑的生长
用于在计算机中创建人工智能的神经网络的发展最初受到生物系统工作原理的启发。然而，这些“神经形态”网络运行在看起来完全不像生物大脑的硬件上，这限制了性能。现在，大阪大学和北海道大学的研究人员计划通过创建神经形态“湿软件”来改变这一现状。
尽管神经网络模型在图像生成和癌症诊断等应用中取得了显着的成功，但它们仍然远远落后于人脑的一般处理能力。部分原因是它们是使用传统计算机硬件在软件中实现的，而传统计算机硬件并未针对这些模型通常需要的数百万个参数和连接进行优化。
基于忆阻设备的神经形态湿件可以解决这个问题。忆阻器件是一种其电阻由其施加的电压和电流的历史设定的器件。在这种方法中，电聚合用于使用由导电聚合物制成的电线连接浸入前体溶液中的电极。然后使用小电压脉冲调整每根导线的电阻，从而形成忆阻器件。
“使用一维或二维结构已经显示出创建快速、节能网络的潜力，”资深作者 Megumi Akai-Kasaya 说。“我们的目标是将这种方法扩展到 3D 网络的构建。”
研究人员能够用一种名为“PEDOT:PSS”的常见聚合物混合物生长聚合物线，这种混合物具有高导电性、透明、柔韧且稳定。首先将顶部和底部电极的 3D 结构浸入前体溶液中。然后通过在这些电极上施加方波电压，在选定的电极之间生长 PEDOT:PSS 线，模拟未成熟大脑中通过轴突引导形成突触连接。
一旦形成导线，就可以使用施加到一个电极的小电压脉冲来控制导线的特性，尤其是电导，这会改变导线周围薄膜的电性能。
“这个过程是连续且可逆的，”主要作者 Naruki Hagiwara 解释道，“正是这一特性使得网络能够被训练，就像基于软件的神经网络一样。”
构建的网络用于演示无监督的赫布学习(即，当经常一起放电的突触随着时间的推移加强它们的共享连接时)。更重要的是，研究人员能够精确控制电线的电导值，以便网络能够完成其任务。基于尖峰的学习是另一种更接近地模仿生物神经网络过程的神经网络方法，它也通过控制电线的直径和电导率得到了证明。
接下来，通过制造具有更多电极的芯片并使用微流体通道向每个电极提供前体溶液，研究人员希望建立一个更大、更强大的网络。总体而言，本研究确定的方法是朝着实现神经形态湿件并缩小人类和计算机认知能力之间的差距迈出的一大步。
版权声明：本文由用户上传，如有侵权请联系删除！