目前，主流的人工智能技术在某种程度上受到人脑结构的启发而发展。
然而，随着计算能力的不断增强，计算机的AI运算与人脑之间已经存在本质差异：AI通过在大数据中寻找模式的能力，远超人类大脑的处理能力。
显然，人类大脑并不相信「大力出奇迹」，其处理信息的方式往往是稀疏、复杂且时刻变化的。
这一特性正是许多AI研究人员所追求的。最近，来自悉尼大学与日本国家材料科学研究所的科学家们在《自然通讯》上发表了一篇论文，试图通过使用纳米线网络（NWN）模拟人类大脑在电刺激下的反应，实验结果令人鼓舞。
纳米线网络是由平均长度不超过10微米、直径不超过500纳米的银纳米团随机分布在晶圆上，并覆盖一层约1纳米厚的绝缘聚合物。
与传统集成电路不同，当电流经过该网络时，银离子将在聚合物中迁移，进而在经过不同突触结构时产生类似人脑的反应。
这为从微观物理学的角度理解大脑的工作机制奠定了基础。
研究团队的最新发现显示，保持纳米线网络在一种类似「混沌边缘」的状态下，能在处理任务时获得高效且理想的结果。
这为人工智能计算开辟了新的可能性。
纳米线网络模型
研究人员利用涂有PVP的自组装银纳米线形成高度无序、复杂的网络结构。作为一种神经形态设备，NWN在网络固定电极之间施加偏压进行操作。
为了深入理解神经形态的动态，研究团队开发了一个物理驱动的Ag PVP NWN计算模型。
图a. 自组装银纳米线的光学显微镜图像（1:100微米）
接下来，论文介绍了基于该模型的模拟实验，分析神经形态系统在网络级的动态。
NWN的自适应
图a. 初始不活动的NWN（所有交界处 &LaMbda; = 0）的直流激活曲线
图b. NWN的快照可视化，显示第一传输通路的形成，对应于最短路径长度n。
图c. 稳态网络电导
研究结果表明，NWN能够自适应地响应外部驱动，并在双稳态（LCS和HCS）之间实现一阶相变。这些全局网络动态状态是由节点之间的循环连接及其切换状态引发的。
节点切换驱动非本地传输
网络的激活或去激活可视为节点之间循环连接中出现的集体效应。
经过一系列交汇点的切换，实验结果表明，传输通路的形成是由于复杂网络拓扑结构和忆阻连接点之间的耦合。当连接点转换为导电状态时，会引发级联活动，自适应地重新分配电压至周围节点。
雪崩开关动力学
研究团队发现，在神经元群及其他神经形态系统中，存在无标度大小与生命周期事件统计的雪崩现象，这是临界动力学的特征。
随着驱动电压强度的改变，雪崩分布开始偏离幂律。
当V*<1时，网络无法形成通路，切换会导致小规模雪崩（图中黑点所示）。
当V*接近1时，分布延长，呈现幂律特征（图中红点所示）。
当V*=1时，网络激活，双峰分布明显，雪崩特征在幂律尾部显现。
随着网络规模的增大，凸起相对于幂律区域的概率密度也随之增加，表明这些异常大的雪崩符合超临界状态。
用信号控制网络状态
在不同电信号刺激下，纳米线网络展现出不同的状态响应。为了使纳米线网络呈现「边缘混沌」状态，需要将驱动系统的交流信号的李雅普诺夫指数&laMbda;&asyMp;0。
当&laMbda;&asyMp;0时，系统将进入「边缘混沌」状态。
研究还发现，当慢速驱动时，网络能够适应并维持扰动幅度；而快速驱动时，网络则无法适应扰动，并可能导致相邻节点分离。信号的频率快慢与幅度及网络的结构（大小和密度）有关。在扰动收缩与增长之间的动态平衡机制，有助于维持系统的稳定性。
因此，通过调整驱动信号以控制系统状态，可以使纳米线网络维持在理想状态。
纳米线网络初露锋芒
为验证纳米线网络的性能，研究团队进行了简单的波形变换实验。
将正弦波输入网络，利用线性回归模型训练不同目标波形，最终将纳米线电压作为输出，得到了如下波形：
结果表明，不同的&laMbda;值对应不同的变换精度，当&laMbda;&asyMp;0时，系统精度达到了0.95；而方形波在网络处于「混沌」状态时（&laMbda;＞0），精度迅速下降。根据不同复杂度的计算任务，系统的计算精度展现出不同的变化，但当系统处于「混沌边缘」状态时，表现最为优异。
综上所述，纳米线神经网络在输入信号的控制下，可以在有序与混沌之间进行调节，这表明纳米线网络具备与大脑相似的多样化动态机制，在信息处理及人工智能相关计算领域蕴含巨大潜力。
与传统人工智能网络相比，计算机在训练网络算法时需要判断各节点应分配的负载，而纳米线网络则无需此类算法，能够自动适应并分配节点负载。
这将节省大量计算资源并减少AI计算的碳足迹，研究团队表示。
