类脑网络使用障碍来检测秩序

 
能够检测有序模式的无序网络：听起来很矛盾，但它几乎可以描述大脑的工作方式。特温特大学的研究人员已经开发了一种基于硅技术的大脑启发性网络，该网络可以在室温下运行。它利用了电子设计师通常喜欢避免的材料特性。得益于“跳跃传导”，系统无需使用预先设计的元素即可演变为解决方案。研究人员于2020年1月15日在《自然》杂志上发表了他们的工作。
大脑非常擅长识别模式。人工智能在某些情况下可以做得更好，但这要付出代价：它需要大量的计算能力，而大脑仅消耗20瓦。
半导体行业现在正在接受受大脑功能启发的新计算机设计策略，例如具有神经元和突触的英特尔Loihi处理器。但是，模仿一个神经元需要数千个晶体管，而大脑则有数百亿个神经元。小型化是达到此规模的一种方法，但该技术已达到物理极限。现在在《自然》杂志上发表的新的无序掺杂原子网络是一种不同的方法：它不使用预先设计的神经元或其他电路，而是利用材料的特性来发展为解决方案。这种高度违反直觉的方法是节能的，并且不会占用太多的表面空间。
在电子学中，掺杂是通过故意将杂质以足够高的浓度引入硅晶体中以实现所需效果的方式来影响晶体管性能的众所周知的方式。在这种情况下，使用低得多的硼浓度会导致电路设计人员倾向于避免这种情况。
这正是无序网络运行的机制。现在，传导是通过电子从一个硼原子跳到另一个硼原子发生的：在某种程度上，这种“跳跃传导”与寻求与其他神经元协作以进行分类的神经元相当。例如，网络被馈入16个基本的四位数字模式。每个模式导致不同的输出信号。以这16个为基础，例如，可以高精度和快速地识别带有手写字母的数据库。现在，基本组件的直径为300纳米，具有约100个硼原子，并消耗约1微瓦的功率。
在使用这种类型网络的未来系统中，模式识别可以在本地完成，而无需使用遥远的计算能力。例如，在自动驾驶中，必须基于识别来做出许多决定。这涉及强大的机载计算机系统或与云的高带宽通信，甚至可能两者都有。新的灵感来自大脑的方法将减少数据的传输，因此汽车制造行业已经对新的UT方法感兴趣。例如，这种类型的计算称为“边缘计算”，也可以用于面部检测。