Fysiker har skapat ett elektriskt nätverk som kan lära sig

Ett team av forskare ledda av fysikern Samuel Dillavou satte ihop ett litet elektriskt nätverk genom att ansluta

slumpmässigt 16 motstånd.Forskarna ställer in spänningen till specifika ingångsnoder och läser av utgångsnoderna. Genom att oberoende justera motstånden lärde sig nätverket att producera önskad data för en given uppsättning ingångsvärden.

"Nätverket har konfigurerats för att utföra mångaenkla AI-uppgifter”, säger Dillavu. "Till exempel kan den skilja mellan tre typer av irisblommor med mer än 95% noggrannhet baserat på fyra parametrar: längden och bredden på kronbladen och foderbladen."

För maskininlärning är AI vanligtvismed hjälp av artificiella neurala nätverk. Sådana nätverk finns vanligtvis bara i datorns minne. Ett neuralt nätverk består av punkter eller noder, som var och en kan anta ett värde från 0 till 1, sammankopplade med kanter. Varje kant har sin egen vikt beroende på värdena i noderna. När du tränar ett sådant system är det nödvändigt att justera vikten på kanterna för att få önskat resultat.

"Det här är ett knepigt optimeringsproblemökar avsevärt med storleken på nätverket och kräver en stor mängd datorresurser”, konstaterar Dillavu. "Situationen kompliceras av det faktum att alla kanter måste trimmas samtidigt."

För att komma runt detta problem letade fysiker efter system som kunde ställa in sig själva utan externa beräkningar.

I sin forskning byggde forskare tvåidentiska nätverk ovanpå varandra. I ett slutet nätverk applicerade de spänning och registrerade de erforderliga värdena på utgångselementen. I ett öppet nätverk var endast spänningen över ingångsmotståndet inställd.

Systemet reglerade motståndet på motståndeni två nätverk beroende på spänningsskillnaden mellan identiska noder i var och en av dem. Under flera iterationer förde dessa justeringar alla spänningar över alla motstånd i de två nätverken i linje. Systemet har lärt sig att producera rätt utdata för givna ingångsvärden.

Foto: Vetenskap

"Den här inställningen kräver lite beräkning,säger Dillavu. — Systemet behöver bara jämföra spänningsfallet över respektive motstånd i de slutna och fria nätverken med hjälp av en komparator. Vårt arbete bevisar den grundläggande möjligheten till ett nytt sätt för maskininlärning som inte kräver stora beräkningar.”

Läs mer:

"James Webb" tog historiens tydligaste bild av en stjärna

Frivillig död. Vi berättar hur eutanasi-förfarandet fungerar runt om i världen

Forskare snubblar över 1 500 år gammal arkeologisk anomali