用光敏电阻点亮人工神经网络

一个国际科学家团队使用名为“光敏电阻”的纳米级设备进行了困难的机器学习计算。硫属化物薄膜设备使用光和电信号来交互和模拟哺乳动物大脑的多因素生物计算，同时消耗很少的能量。

迄今为止，用于人工智能和机器学习应用的硬件研究主要集中在开发电子或光子突触和神经元，并将它们结合起来进行神经类型处理的基本形式。

然而，存在于真实大脑中的强大处理机制——例如强化学习和树状计算——帮助我们学习新技能和执行日常任务，直接在硬件中实现更具挑战性。

这项在Nature Communications上发表的新工作有助于通过开发一种同时响应多个电子和光子输入的“光敏电阻”设备来填补这一缺失的“硬件空白”。

通过控制大脑神经元和突触功能的丰富生物物理机制，哺乳动物大脑中的复杂学习和处理成为可能。

一个关键方面是多因素计算——例如三因素学习——它允许大脑使用正负强化有效地学习，例如在进行运动或在迷宫中导航时。光敏电阻器方法在一个设备中促进了这种三因素学习。

Syed Ghazi Sarwat 博士在牛津大学攻读博士学位时进行了光敏电阻器实验，目前在 IBM 欧洲研究院工作，在那里他与同事 Timoleon Moraitis 博士合作，将这些设备应用于迷宫解决方案。Sarwat 博士说，他们的“研究显示了一种切实可行的硬件方法来有效地模仿强化学习，这是我们在论文中使用的一种机器学习形式，可以让人造啮齿动物学会在迷宫中导航。”

在牛津大学材料系领导这项研究的 Harish Bhaskaran 教授补充说，他们“展示了如何使用相对简单的硬件来执行基于多个信号交互的神经操作。这在我们的演示中得到了说明。一个线性不可分的分类问题(XOR)，它需要多层传统的人工神经元来解决，这与使用单个生物神经元的大脑不同。”

“事实上，通过模拟生物神经元树突的所谓‘分流抑制’功能，我们说明了我们的光敏电阻如何有效地为困难的计算问题提供单神经元解决方案，”Moraitis 博士继续说道。

这些演示处于早期的概念验证阶段，并有望解决机器学习中的一些重要挑战。在考虑扩大这些概念并将它们与其他硬件模块集成时会出现一些关键问题。团队仍然充满热情。“所有新概念都存在重大风险，但这是一种思考所谓多因素计算的新方式，这令人兴奋，”埃克塞特大学的大卫赖特教授说。