類腦網絡使用障礙來檢測秩序

能夠檢測有序模式的無序網絡：聽起來很矛盾，但它幾乎可以描述大腦的工作方式。特溫特大學的研究人員已經開發出了一種基于大腦的，基于硅技術的網絡，該網絡可以在室溫下運行。它利用了電子設計師通常喜歡避免的材料特性。得益于“跳躍傳導”，該系統無需使用預先設計的元素即可演變為解決方案。研究人員于2020年1月15日在《自然》雜志上發表了他們的作品。

大腦非常擅長識別模式。人工智能在某些情況下可以做得更好，但這要付出代價：它需要大量的計算能力，而大腦僅消耗20瓦。

在半導體產業正在擁抱由大腦功能，如英特爾的處理器Loihi，它具有神經元和突觸的啟發新的計算機的設計策略。但是，模仿一個神經元需要數千個晶體管，而大腦則有數百億個神經元。小型化是達到此規模的一種方法，但該技術已達到物理極限。現在在《自然》雜志上發表的新的無序摻雜原子網絡是一種不同的方法：它不使用預先設計的神經元或其他電路，而是利用材料特性來發展為一種解決方案。這種高度違反直覺的方法是節能的，并且不會占用太多的表面空間。

躍遷

在電子學中，摻雜是通過故意將雜質以足夠高的濃度引入硅晶體中以實現所需效果的方式來影響晶體管性能的眾所周知的方式。在這種情況下，使用低得多的硼濃度會導致電路設計人員傾向于避免使用這種方案。

這正是無序網絡運行的機制。現在，傳導是通過電子從一個硼原子跳到另一個硼原子發生的：在某種程度上，這種“跳變傳導”與尋求與其他神經元協作以進行分類的神經元相當。例如，網絡被饋送有16種基本的四位數模式。每個模式導致不同的輸出信號。以這16個為基礎，例如，可以高精度和快速地識別帶有手寫字母的數據庫。現在，基本組件的直徑為300納米，具有約100個硼原子，并消耗約1微瓦的功率。

在使用這種類型網絡的未來系統中，模式識別可以在本地完成，而無需使用遙遠的計算能力。例如，在自動駕駛中，必須基于識別來做出許多決定。這涉及強大的機載計算機系統或與云的高帶寬通信，甚至可能兩者都有。新的靈感來自大腦的方法將減少數據的傳輸，因此汽車制造行業已經對新的UT方法感興趣。例如，這種類型的計算稱為“邊緣計算”也可以用于面部檢測。

論文“用硅中無序摻雜原子網絡分類”發表在《自然》雜志上。在同一期中，有一篇名為“機器學習電路的演變”的相關評論。