Användning av aktiva mikropartiklar för artificiell intelligens

Diagram över den kolloidala reservoardatorn: polymer- och guldtäckta partiklar, som styrs av en laser och utför beräkningar. Kredit: Frank Cichos, Leipzigs universitet
Diagram över den kolloidala reservoardatorn: polymer- och guldtäckta partiklar, som styrs av en laser och utför beräkningar. Kredit: Frank Cichos, Leipzigs universitet

Artificiell intelligens med hjälp av neurala nätverk utför beräkningar digitalt med hjälp av mikroelektroniska chip. Fysiker vid Leipzigs universitet har nu skapat en typ av neurala nätverk som inte arbetar med elektricitet utan med så kallade aktiva kolloidala partiklar. I sin publikation i Nature Communications beskriver forskarna hur dessa mikropartiklar kan användas som ett fysiskt system för artificiell intelligens och prediktion av tidsserier.

”Vårt neurala nätverk tillhör området physical reservoir computing, som använder dynamiken i fysiska processer, såsom vattenytor, bakterier eller bläckfiskens tentakelmodeller, för att göra beräkningar”, säger professor Frank Cichos, vars forskargrupp utvecklat nätverket med stöd av ScaDS.AI.

”I vår realisering använder vi syntetiska självgående partiklar som bara är några mikrometer stora”, förklarar Cichos. ”Vi visar att dessa kan användas för beräkningar och presenterar samtidigt en metod som undertrycker påverkan av störande effekter, såsom brus, i rörelsen hos de kolloidala partiklarna.” Kolloidala partiklar är partiklar som är finfördelade i sitt dispersionsmedium (fast ämne, gas eller vätska).

För sina experiment utvecklade fysikerna små enheter gjorda av plast och nanopartiklar av guld, där en partikel roterar runt en annan, driven av en laser. Dessa enheter har vissa fysiska egenskaper som gör dem intressanta för reservoarberäkning.

”Var och en av dessa enheter kan bearbeta information, och många enheter utgör den så kallade reservoaren. Vi ändrar rotationsrörelsen hos partiklarna i reservoaren med hjälp av en insignal. Den resulterande rotationen innehåller resultatet av en beräkning”, förklarar Dr. Xiangzun Wang. ”Precis som många neurala nätverk måste systemet tränas för att utföra en viss beräkning.”

Forskarna var särskilt intresserade av brus. ”Eftersom vårt system innehåller extremt små partiklar i vatten utsätts reservoaren för starkt brus, liknande det brus som alla molekyler i en hjärna utsätts för”, säger Cichos.

”Det här bruset, den brownska rörelsen, stör reservoardatorns funktion kraftigt och kräver vanligtvis en mycket stor reservoar för att åtgärdas. I vårt arbete har vi funnit att användning av tidigare tillstånd i reservoaren kan förbättra datorns prestanda, så att mindre reservoarer kan användas för vissa beräkningar under bullriga förhållanden.”

Cichos tillägger att detta inte bara har bidragit till området informationsbehandling med aktiv materia, utan också har gett en metod som kan optimera reservoarberäkningar genom att minska bruset.

Ytterligare information: Xiangzun Wang et al, Harnessing synthetic active particles for physical reservoir computing, Nature Communications (2024). DOI: 10.1038/s41467-024-44856-5

Bli först med att kommentera

Lämna ett svar

Din e-postadress kommer inte att publiceras.