德奥研究人员联合开发出纯磁振子集成电路

德国凯泽斯劳滕工业大学和奥地利维也纳大学的研究人员在更小、更节能的计算机技术方面取得了一项里程碑式研究成果，他们使用磁性材料和磁振子开发出可传输二进制数据的集成电路，由磁振子代替电子来传递信息，所需的能量比目前最先进的CMOS计算机芯片少，在量子计算和神经形态计算等领域具有广阔的应用前景。相关研究成果近日发表在《自然—电子学》上。

这种磁振子电路采用极简的二维设计，尺寸小于1微米，由3根钇铁石榴石磁性纳米线组成。纳米线间的相对位置被精确设计，进而形成两个“定向耦合器”，引导磁振子在纳米线间传播。

此电路包含两个将两个信息流加在一起的定向耦合器，这形成了计算机芯片中一种最通用的组件——“半加法器”，数以百万计的这种电路组合起来，就可执行更加复杂的计算和功能。（王立娜）

相关论文信息：

https://doi.org/10.1038/s41928-020-00485-6

更简单、更智能化的全新深度学习模型诞生

近日，由奥地利维也纳技术大学、奥地利科技学院和美国麻省理工学院组成的国际研究团队宣布开发出一种基于线虫等微小动物大脑的全新人工智能系统。该系统只使用少量人造神经元即可控制车辆。该团队表示，与之前的深度学习模型相比，此系统具有决定性的优势：能够更好地应对有噪输入，且结构简单，其运行模式可详细解释。它并非复杂的“黑箱”，能够被人类所了解。相关研究成果发表于《自然—机器智能》。

研究团队选择了一个重要性极高的任务来检验其创意：让自动驾驶汽车在自己的车道上行驶。神经网络将路况的摄像机图像作为输入信息加以接收，进而自动决定左右转向。

如今参数数量数以百万计的深度学习模型经常用于学习自动驾驶等复杂任务。然而该团队开发的系统只需使用75000个可训练参数。新系统包含两大部分：摄像机输入首先经过所谓的卷积神经网络处理，该过程只通过感知视觉数据从输入像素中提取结构特征，由上述神经网络决定摄像机图像的哪些部分较为重要；随后将信号传输至网络的关键部位——可使车辆转向的“控制系统”。

系统的控制部分（即神经控制策略系统）仅含有19个神经元，可将感知模块的数据转译为驾驶控制指令。与之前可实现相同功能的模型控制系统相比，神经控制策略系统要小3个数量级。

研究团队用一辆真正的自动驾驶汽车对该深度学习模型进行了测试。该模型使得他们得以调查神经网络在驾驶时所关注的内容。他们发现网络将注意力集中在摄像机图像中的特殊部位——路边和地平线上。此行为相当可取，且为该人工智能系统所独具。此外，他们可以观测到系统发出操控指令时每个细胞所起到的作用，进而了解单个细胞的功能与行为。大型深度学习模型绝无达到此程度可解释性的可能。

为了测试神经控制策略系统相对于之前深度学习系统稳健性的高低，研究人员对输入图像进行了干扰，同时对抗噪能力进行了评估。人为输入干扰是其他深度学习神经网络无法克服的难题，神经控制策略系统却对其有很强的抵抗性。这一属性是采用全新神经模型和架构的直接结果。（王立娜）

相关论文信息：https://doi.org/10.1038/s42256-020-00237-3