对系统的冲击用电来寻找可以学习的材料

科学家使用AdvancedPhotonSource观察与学习相关的非生命材料模仿行为，为更好的人工智能铺平了道路。想要创造新一代超级计算机的科学家们正在从有史以来最复杂、最节能的计算机：人脑中寻找灵感。

在他们最初尝试制造仿脑计算机的一些尝试中，研究人员正在研究不同的非生物材料，这些材料的特性可以被定制以显示类似学习行为的证据。这些材料可以构成硬件的基础，这些硬件可以与新的软件算法配对，以实现更强大、有用和节能的人工智能(AI)。

在普渡大学科学家领导的一项新研究中，研究人员将缺氧的氧化镍暴露于短暂的电脉冲中，并引发了两种类似于学习的不同电反应。罗格斯大学教授ShriramRamanathan说，结果是一个全电动系统可以显示这些学习行为。(Ramanathan在撰写本文时是普渡大学的教授。)

研究团队使用了高级光子源(APS)的资源，这是美国能源部(DOE)科学办公室用户设施，位于DOE的阿贡国家实验室。

第一个反应，习惯，发生在材料“习惯”被轻微击打时。科学家们注意到，尽管这种材料的电阻在最初的震动后会增加，但它很快就会适应电刺激。“习惯就像你住在机场附近时发生的事情，”APS的物理学家和光束线科学家FannyRodolakis说。“你搬进来的那一天，你会想‘多么吵闹’，但最终你几乎不会注意到了。”

材料显示的另一种反应是敏化，发生在施加更大剂量的电时。“随着更大的刺激，材料的反应会随着时间的推移而增加而不是减少，”Rodolakis说。“这就像看一部恐怖电影，然后有人说‘嘘!’从一个角落后面——你看到它真的跳了起来。”

“几乎所有生物体都表现出这两个特征，”Ramanathan说。“它们确实是情报的一个基础方面。”

这两种行为由经典物理学无法描述的电子之间的量子相互作用控制，这有助于形成材料相变的基础。“相变的一个例子是液体变成固体，”罗多拉基斯说。“我们正在研究的材料就在边界上，在电子层面上正在进行的竞争性互动很容易被小刺激以一种或另一种方式倾斜。”

Ramanathan说，拥有一个可以完全由电信号控制的系统对于类脑计算应用至关重要。“能够以这种方式操纵材料将使硬件承担部分智能责任，”他解释道。“利用量子特性将智能融入硬件是迈向节能计算的关键一步。”

习惯化和敏感化之间的差异可以帮助科学家克服人工智能发展中的一个挑战，即稳定性-可塑性困境。一方面，人工智能算法通常不太愿意适应新信息。但另一方面，当他们这样做时，他们常常会忘记一些已经学过的东西。

通过创造一种可以适应的材料，科学家们可以教它忽略或忘记不需要的信息，从而获得额外的稳定性，而敏化可以训练它记住和吸收新信息，从而实现可塑性。

Rodolakis说：“AI通常很难在不覆盖已经存储的信息的情况下学习和存储新信息。”“太多的稳定性会阻止人工智能学习，但太多的可塑性会导致灾难性的遗忘。”

这项新研究的一个主要优势涉及氧化镍设备的小尺寸。Rodolakis说：“在没有大量晶体管的情况下，当前这一代电子产品以前没有进行过这种类型的学习。”“这个单结系统是迄今为止显示这些特性的最小系统，这对神经形态电路的可能发展具有重大意义。”

为了检测导致习惯化和敏化行为的原子级动力学，Rodolakis和阿贡的HuaZhou在APS的光束线29-ID-D和33-ID-D处使用了X射线吸收光谱。