Brug af aktive mikropartikler til kunstig intelligens

Kunstig intelligens ved hjælp af neurale netværk udfører beregninger digitalt ved hjælp af mikroelektroniske chips. Fysikere ved Leipzig Universitet har nu skabt en type neuralt netværk, der ikke fungerer med elektricitet, men med såkaldte aktive kolloide partikler. I deres udgivelse i Nature Communications , beskriver forskerne, hvordan disse mikropartikler kan bruges som et fysisk system til kunstig intelligens og forudsigelse af tidsserier.

"Vores neurale netværk tilhører feltet fysisk reservoir-beregning, som bruger dynamikken i fysiske processer, såsom vandoverflader, bakterier eller blæksprutte tentakelmodeller, til at lave beregninger," siger professor Frank Cichos, hvis forskergruppe har udviklet netværket med understøttelse af ScaDS.AI.

"I vores erkendelse bruger vi syntetiske selvkørende partikler, der kun er et par mikrometer store," forklarer Cichos. "Vi viser, at disse kan bruges til beregninger og præsenterer samtidig en metode, der undertrykker påvirkningen af ​​forstyrrende effekter, såsom støj, i bevægelsen af ​​de kolloide partikler." Kolloide partikler er partikler, der er fint spredt i deres dispergeringsmedium (fast, gas eller flydende).

Til deres eksperimenter udviklede fysikerne bittesmå enheder lavet af plastik og guld nanopartikler, hvor en partikel roterer rundt om en anden, drevet af en laser. Disse enheder har visse fysiske egenskaber, der gør dem interessante til reservoirberegning.

"Hver af disse enheder kan behandle information, og mange enheder udgør det såkaldte reservoir. Vi ændrer rotationsbevægelsen af ​​partiklerne i reservoiret ved hjælp af et inputsignal. Den resulterende rotation indeholder resultatet af en beregning," forklarer Dr. Xiangzun Wang. "Som mange neurale netværk skal systemet trænes til at udføre en bestemt beregning."

Forskerne var særligt interesserede i støj. "Fordi vores system indeholder ekstremt små partikler i vand, er reservoiret udsat for stærk støj, svarende til den støj, som alle molekyler i en hjerne er udsat for," siger Cichos.

"Denne støj, Brownsk bevægelse, forstyrrer reservoircomputerens funktion alvorligt og kræver normalt et meget stort reservoir for at afhjælpe. I vores arbejde har vi fundet ud af, at brug af tidligere tilstande af reservoiret kan forbedre computerens ydeevne, hvilket gør det muligt at bruge mindre reservoirer. til visse beregninger under støjende forhold."

Cichos tilføjer, at dette ikke kun har bidraget til informationsbehandling med aktivt stof, men også har givet en metode, der kan optimere reservoirberegning ved at reducere støj.

Flere oplysninger: Xiangzun Wang et al., Udnyttelse af syntetiske aktive partikler til fysisk reservoirberegning, Nature Communications (2024). DOI:10.1038/s41467-024-44856-5

Journaloplysninger: Nature Communications

Leveret af Leipzig University