用光敏電阻點亮人工神經網絡

一個國際科學家團隊使用名為“光敏電阻”的納米級設備進行了困難的機器學習計算。硫屬化物薄膜設備使用光和電信號來交互和模擬哺乳動物大腦的多因素生物計算，同時消耗很少的能量。

迄今為止，用于人工智能和機器學習應用的硬件研究主要集中在開發電子或光子突觸和神經元，并將它們結合起來進行神經類型處理的基本形式。

然而，存在于真實大腦中的強大處理機制——例如強化學習和樹狀計算——幫助我們學習新技能和執行日常任務，直接在硬件中實現更具挑戰性。

這項在Nature Communications上發表的新工作有助于通過開發一種同時響應多個電子和光子輸入的“光敏電阻”設備來填補這一缺失的“硬件空白”。

通過控制大腦神經元和突觸功能的豐富生物物理機制，哺乳動物大腦中的復雜學習和處理成為可能。

一個關鍵方面是多因素計算——例如三因素學習——它允許大腦使用正負強化有效地學習，例如在進行運動或在迷宮中導航時。光敏電阻器方法在一個設備中促進了這種三因素學習。

Syed Ghazi Sarwat 博士在牛津大學攻讀博士學位時進行了光敏電阻器實驗，目前在 IBM 歐洲研究院工作，在那里他與同事 Timoleon Moraitis 博士合作，將這些設備應用于迷宮解決方案。Sarwat 博士說，他們的“研究顯示了一種切實可行的硬件方法來有效地模仿強化學習，這是我們在論文中使用的一種機器學習形式，可以讓人造嚙齒動物學會在迷宮中導航。”

在牛津大學材料系領導這項研究的 Harish Bhaskaran 教授補充說，他們“展示了如何使用相對簡單的硬件來執行基于多個信號交互的神經操作。這在我們的演示中得到了說明。一個線性不可分的分類問題(XOR)，它需要多層傳統的人工神經元來解決，這與使用單個生物神經元的大腦不同。”

“事實上，通過模擬生物神經元樹突的所謂‘分流抑制’功能，我們說明了我們的光敏電阻如何有效地為困難的計算問題提供單神經元解決方案，”Moraitis 博士繼續說道。

這些演示處于早期的概念驗證階段，并有望解決機器學習中的一些重要挑戰。在考慮擴大這些概念并將它們與其他硬件模塊集成時會出現一些關鍵問題。團隊仍然充滿熱情。“所有新概念都存在重大風險，但這是一種思考所謂多因素計算的新方式，這令人興奮，”埃克塞特大學的大衛賴特教授說。