A mesterséges neurális hálózatok (artificial neural networks, ANN) olyan rendszerek, amely felépítését a biológiai hálózatok, pontosabban az emberi agy működése ihlette: az agyat alkotó idegsejtek elrendezéséhez és összeköttetéséhez hasonlóan csomópontokból állnak, amelyek között különböző erősségű kapcsolatok alakulnak ki. Az emberi agy neuronjai között az impulzusokat az axonok és dendritek találkozási pontjánál lévő szinapszisok közvetítik és a tanulási folyamat során ezek a kapcsolatok erősödnek, vagyis az ismétlődő impulzusok a tudás és a szokások beidegződéséhez vezetnek.

A neuronhálók mesterséges változatai bemeneti és kimeneti neuronok többrétegű hálózatai, amelyek különféle topológiai elrendezésben valósulnak meg (lehetnek például visszacsatoltak vagy előrecsatoltak) és a gépi tanulási, mélytanulási rendszerek számára különösen előnyös alapot adnak. A biológiai ihletésű rendszerek elméletben az emberi agy hatékonyságát és gazdaságos működését hozzák elérhetőbb közelségbe az ember által alkotott számítási architektúrák készítésének terén, de az elvégzendő feladathoz legjobban illő hálózat kialakítása bonyolult munka, amelyet félig-meddig automatizált programokkal igyekeznek könnyebbé tenni a kutatók.

Japán tudósok szerint a mesterséges neurális hálózatok hatékonyságának gátat szabó egyik tényező a hardver, amelyen a programok futnak: a hardverelemek ugyanis egyáltalán nem biomorf kialakításúak és struktúrájukban nem hasonlítanak az agyra. A biológiai mintára épült rendszerek márpedig szintén a természetes, élő hálózatok strukturális környezetében tudnának legideálisabban funkcionálni. Ennek érdekében az Oszakai és a Hokkaidói Egyetem szakértői a hardvert egy neuromorfikus wetware-re cserélik le, ami a biológiai életformák számítási kapacitással bíró agyát és az azt mintázó eszközöket jelölő megnevezés. A wetware lehetővé teszi, hogy azt a rendkívül nagyszámú szinapszist, ami az emberi agy körülbelül 86 milliárd idegsejtje között létrejöhet (egy-egy idegsejt több száz vagy ezer szinapszist alkot) sokkal pontosabban szimulálják a neurális hálók esetében.

Ehhez a kutatók úgynevezett memrisztorokat használtak, amelyek olyanok, mint a szinapszisok, azaz gazdaságos módon egy helyen valósítják meg az információfeldolgozást és a memóriatárolást, emiatt a kapcsolódási pontokon nemcsak az elektromos jelektől függ a válaszreakció, hanem az előzetesen lezajló műveletektől is. A memrisztív berendezés ellenállása a korábban rá ható áramerősség és feszültség függvénye.

A kutatásban alkalmazott berendezéseket elektropolimerizációval hozták létre,

amelynek során speciális oldatba mártott, háromdimenziós elrendezésű elektródákat kötöttek össze egymással. Az összeköttetést hajlékony, átlátszó és jó vezetőképességű polimer vezetékek képviselték, amiket a kiválasztott elektródák között növesztettek a kutatók elektromos feszültség alkalmazásával. Ezzel a módszerrel a szinapszisok kialakulásának folyamatát utánozták, a vezetékek tulajdonságait pedig apró impulzusokkal módosították és állították be a szükséges szintre.

Mivel a vezetékek tulajdonságait folytonosan változtatni lehet, ezért a hálózat tanulásra is képes, csakúgy, mint a valódi, biológiai neurális hálók vagy a szoftveres neurális hálózatok. Az Oszakai Egyetem beszámolója szerint az "aggyal" ellátott hálót többféle tanulási metódussal tesztelték és sikerült demonstrálni a betanulás működőképességét. A memrisztorokra épülő megoldás a jövőben még sokat fejlődhet, de

"a tanulmány egy nagy lépést jelent a neuromorfikus wetware megvalósításának és az emberek és számítógépek közötti kognitív rés csökkentésének irányába."

- írja az egyetem.

(Fotó: Oszakai Egyetem, geralt/Pixabay)