摘要
受大脑能力和能源效率的启发,人工智能 (AI) 正在加速非常规计算范式的发展。人脑尤其擅长计算密集型认知任务,例如模式识别和分类。一个长期目标是去中心化的神经形态计算,依靠分布式核心网络来模拟大脑的大规模并行性,从而严格遵循自然启发的信息处理方法。
通过相互连接的计算块逐渐转变为连续的计算组织,可以预见具有智能基本特征的高级物质形式的发展,能够以非定域的方式学习和处理信息。这种智能物质将通过接收和响应外部刺激与环境相互作用,同时在内部调整其结构以实现信息的分布和存储(作为记忆)。明斯特大学W. H. P. Pernice教授团队回顾了使用分子系统、软材料或固态材料实现智能物质的进展,涉及软机器人技术、自适应人工皮肤的开发和分布式神经形态计算。相关论文以题为The rise of intelligent matter发表在《Nature》上。
图文解析
智力可以理解为感知信息并将其保留为知识以应用于不断变化的环境中的适应性行为的能力。尽管对智力没有公认的定义,但智力研究领域的相应概念包含两个主要特征:一是学习能力,二是适应环境的能力。迄今为止,这两种能力主要存在于生物体中。然而,随着人工智能的普及,人们正在努力在日益复杂的系统中实施学习和适应技能,这些系统共同集成了各种功能组件。超越这种功能架构,实现本身具有智能基本特征的合成物质将构成一个全新的人工智能概念。尽管这里称之为智能的物质并不表现出与心理学意义上所理解的相同水平的智能(例如,包括认知或语言的能力),但它的功能将远远超出静态物质的特性.潜在应用的鼓舞人心的例子包括自我调节温度和吸光度的人造皮肤、根据穿着者的感觉变成保暖或凉爽服装的智能服装,以及具有智能触觉的软机器人。然而,由于高级人工智能应用需要处理大量数据,以集中方式调节智能物质的行为将非常具有挑战性。特别是,使用基于冯诺依曼架构的传统计算机进行集中信息处理将很快达到其极限。这是因为将数据从内存混洗到处理器并返回不仅大大降低了计算速度,而且还需要大量的功耗。因此,需要在物质层面直接实施新的方法和计算范式,从而允许使用例如内存计算对数据进行本地预处理。通过这种方式,智能物质本身可以与环境相互作用,自我调节其行为,甚至从它接收到的输入中学习。
对于智能物质的设计,来自大自然的灵感是有益的:自下而上的组装是大自然实现材料特性的方式,其性能优于其单个组成单元的特性。自然物质的宏观功能来自复杂的设计主题以及分子、纳米尺度和宏观尺度构建块的相互作用。在人造物质中,自下而上和自上而下方法的结合使架构具有各种新颖的特性和功能。可以使用增加功能性和复杂性的概念以分层方式定义人造物质的智能,如图 1 所示。这种形式的智能可以通过组合四个关键功能元素在物质层面实现 :(1)传感器与环境交互并接收输入和反馈;(2) 致动器响应输入信号并适应材料的特性;(3) 用于长期存储信息的记忆和 (4) 处理反馈的通信网络。理想情况下,这些元素形成功能处理连续体,不需要集中处理单元,而是提供本地和分布式信息处理的能力。
图 1:随着功能和复杂性的增加,从结构物质到智能物质的概念转变,以及相应的例子。
基于 Swarm 的自组织材料
复杂行为的一种突出形式依赖于成群结队的大量个体代理的集体互动。在这里,多个单独响应的实体可以以这样一种方式自组织,从而出现大规模的适应性现象,例如,保护集体的模式形成。在自然界中,这种行为在昆虫群落、鱼群、鸟类甚至哺乳动物中都有观察到。集体的全球反应通常被认为表现出智能行为的特征,并且通常超出了单个元素的能力,这些元素只与最近的邻居进行通信。因此,各个代理的动作以分散的方式进行协调。当使用在纳米尺度上实现的构建块时,这种基本智能的概念对于实现智能物质特别有趣。然而,在这样的长度尺度上,将所有四个关键功能元素——特别是长期记忆——整合为单个组件是具有挑战性的。模拟群体行为的一个说明性示例是一大群小型机器人的交互,每个机器人高约一厘米,能力有限,可以排列成复杂的预定义形状(图 2a)。个体机器人是响应式代理,仅遵循其编程的个体算法并仅与最近的邻居进行通信。但是,由于外部程序员预先定义了目标形状并以算法的形式给出指令,因此根据该定义,整个机器人组不是智能的,而是自适应的。在考虑纳米尺度上的群体行为时,类似的限制仍然存在,因此此类系统构成了自适应物质的示例,如下所述。
图 2:自主机器人和胶体集群的自适应群行为。
软物质实现
在生物系统中,柔软性、弹性和顺应性是显着的特征,它们能够持续变形,从而在拥挤的环境中实现平稳运动。天然皮肤还表现出上述基本智能的显着特性,包括力、压力、形状、质地和温度的触觉、触觉记忆和自愈能力。软机器人领域旨在将这些特性转化为软物质实现。软机器人能够通过调整其形状、抓地力和触觉来模拟生物运动。与刚性对应物相比,由于材料的合规性匹配,当它们与人类或其他易碎物体接触时,伤害风险显着降低。以人造皮肤的形式,它可以进一步为医疗保健和医疗应用提供多种可能性。多功能可穿戴设备可以通过潜在的后续药物输送来监测健康参数,可以设想通过在中风后提供机械功或具有触觉的假肢来辅助人类运动。尽管在软物质中完全集成所有四个关键功能元素仍然难以实现,但已经报道了结合至少两个功能元素的各种实现。
响应式软物质
软物质可以通过传感元件接收来自环境的输入,并通过嵌入式执行器提供直接响应,这是将其归类为响应性物质的基本要求。最常见的驱动是形状和柔软度作为输入函数的变化。一个例子是由有机硅弹性体基质组成的自给式人造肌肉,其中的驱动依赖于嵌入的乙醇微泡在加热时的液-气相变。这种反应灵敏的人造肌肉能够反复举起超过 6 公斤的重量以及基于激动剂-拮抗剂的骨架-手臂运动,并且可用于提升物体的软抓手(图 3a)。实现软机器人宏观机械操作的另一种方法是赵等人展示的基于 DNA 杂交诱导双交联的响应性水凝胶 模拟人手的手势,通过在外部 DNA 的帮助下局部控制材料的体积收缩触发器。同样,可 3D 打印的光响应形状记忆复合材料会根据光线改变其 3D 形式,并有望用于多种应用,例如模仿向日葵的打开和关闭状态。例如,所有三个示例都没有展示网络路径,也没有展示用于存储有关致动力过强或过弱的反馈信息的记忆元件。
图 3:响应式软物质和具有嵌入式存储器功能的软物质。
特别是对于人造皮肤和多功能可穿戴设备,不受束缚的设备是必不可少的。因此,为传感器、执行器或存储器提供所需电源的自供电能力对于设备的成功至关重要。使用嵌入式驱动来响应外部输入来自发电是一种极具吸引力的方法。Lai 及其同事的一项有希望的尝试利用了摩擦电效应。它们的人造皮肤无需外部电源即可主动感知接触物体的接近度、接触、压力和湿度,并且皮肤会产生电流作为响应(图 3b)。Schroeder 等人的另一个引人注目的例子 44 使用仿生概念来发电,其灵感来自电鳗。作者在由阳离子和阴离子选择性水凝胶膜的重复序列界定的微型聚丙烯酰胺水凝胶隔室之间使用离子梯度。“人造鳗鱼”使用可扩展的堆叠或折叠几何结构,在同时、自记录的机械接触激活数以千计的串联凝胶隔室时产生 110 V 电压。与典型的电池不同,这些系统柔软、灵活、透明且具有潜在的生物相容性。
具有嵌入式存储器的软物质
另一类功能性软物质将物质内记忆与传感能力相结合。虽然由于缺乏网络,此类物质不会被归类为自适应物质,但它超出了响应能力。以下示例能够接收来自环境的输入并使用嵌入式存储器元件根据输入历史记录更改它们的响应。一种有吸引力的方法在于将传感器和存储元件结合在柔软而灵活的材料中,使它们能够协同工作。 Liu 等人在机械混合材料中实现了这一概念(图 3c),其中电阻开关器件充当刚性聚合光刻胶 (SU-8) 岛上的存储元件,这些岛嵌入可拉伸的聚二甲基硅氧烷 (PDMS) 中。蒸发到 PDMS 上的金薄膜中的微裂纹同时充当电极和应力传感器。将这种运动记忆设备连接到四肢关节,可以根据压力变化和随后的信息存储来检测人体运动。
可以调节以学习所需的新反应的材料非常有前途。Zhang等人开发了一种能够进行联想学习的水凝胶,这是最简单的学习形式之一。在嵌入和最初随机分布的水凝胶中,金纳米粒子充当记忆元件。最初,凝胶-溶胶转变由加热自然触发,当凝胶仅暴露于激光照射时不会发生。同时暴露于光和热会引起光酸驱动的 pH 值变化,进而导致凝胶中的纳米颗粒聚集,产生更高的吸光度,从而导致光照时温度升高。因此,以前中性(无效果)的光刺激现在会导致凝胶熔化。在一项后续研究中,作者证明了光辐射与热响应液晶聚合物网络内固有的有效加热刺激之间的关联。执行器通过弯曲对刺激做出响应,从而允许微型机器人运动或关闭抓手(图 3f)。如果使用不同的染料作为吸收记忆元件,甚至可以实现对各种颜色(波长)的辐射的选择性响应。在这种形式的材料中,对先前中性刺激的学习反应仅限于一个刺激,它遵循与最初已知刺激相同的途径。因此,行为是在有限的参数范围内通过算法编程的,并且不允许调节对任意输入的响应,这将构成智能行为。
自适应软物质
超越响应示例到自适应软物质,He 等人展示了一种创建自主稳态材料的策略,除了传感和驱动之外,它还包括精确定制的化学-机械-化学反馈回路(即网络)(图 4a)。含有水凝胶支撑的、带有催化剂的微结构的双层薄膜与含有反应物的“营养”层分离。响应温度变化的凝胶重新配置诱导微结构进出营养层的可逆驱动,并用作化学反应的高精度开/关开关。利用营养层中的放热催化反应和温度响应凝胶的机械作用之间的连续反馈回路,形成了一个自主、自我维持的系统,将温度保持在一个狭窄的范围内。
图 4:具有稳态特性和酶动力运动的适应性软材料。
固态物质实现
虽然合成物质中的传感和驱动可以使用自组织和软材料显着实现,但实现基于物质的信息处理似乎更具挑战性。相反,固态材料中的信息处理技术要先进得多,这提供了有吸引力的机会。事实上,物理和化学过程本身可以被认为是一种计算形式。尽管传统计算机是由物理设备(例如晶体管)构建的,但它们基于计算的符号概念(即,电压是低于还是高于某个阈值)。非常规计算超越了标准计算模型。特别是生物体,可以被视为非常规的计算系统。仔细观察自然产生的复杂有机体,可以发现信息处理的工作流程直接建立在物理原理上。因此,费曼和后来的 Yoshihito 建议使用物质本身进行计算。正如费曼所说:“为什么需要无穷无尽的逻辑才能弄清楚一小块时空会做什么?”。可编程和高度互连的网络特别适合执行这些任务,而受大脑启发或神经形态的硬件旨在提供物理实现。尽管在半导体行业自上而下的制造中,使用已建立的(无机)材料,已经启用了神经形态硬件(例如,IBM 的 TrueNorth 和谷歌的张量处理单元),但利用纳米材料的自下而上的方法可能会提供通往非常规、高效计算的途径。结合上述物质实现,混合方法可能最终导致智能物质的实现。
神经形态材料
相变材料一直是大脑启发或神经形态硬件的关键推动因素,允许在人工神经网络中实现人工神经元和突触。它们通过焦耳加热在非晶态或结晶态的可编程性被用来实现快速、可访问、室温、非易失性存储设备(图 5a)。它们的忆阻行为——即两相之间的连续转变——以及结晶的累积变化,进一步使相变材料适用于受大脑启发的计算,它们通常包含突触权重和/或非线性激活函数。电气设备依赖于电阻对材料状态的依赖性,并使用施加的电压进行开关和读取。相比之下,在光子器件中,使用高功率密度光脉冲来调整结晶度,从而改变材料对光的吸收(图 5b)。
图 5:神经形态材料和系统。
【总结】
未来的挑战在于开发制造、升级和控制智能物质的有效方法。智能物质必须包含具有相当程度的构象自由度、移动性和纳米级成分交换的动态材料。这意味着纳米级组件之间的相互作用必须足够弱才能被外部刺激操纵。而且,这种物质必须表现出一定程度的纳米级成分的内部组织,这样才能嵌入反馈和长期记忆。此外,为了充分接收和传输外部输入,需要具有空间和时间精度的可寻址性。这些要求在很大程度上是相互矛盾的,并且可能不相容。显然,智能物质的关键元素更容易在不同的材料类型中单独实现,这可能与其他材料不兼容。团队预计将需要混合解决方案来解决不兼容性方面的挑战。
显然,这里强调的所有例子都没有表现出感知信息、存储信息并从中学习以表达适应性行动和行为的智能。那么,通往智能物质的路线图会是什么样子呢?首先,将需要演示者和设计规则,通过集成纳米级构建块来开发具有固有反馈途径的自适应物质,这些构建块能够实现自组装和自上而下制造的纳米结构的可重构性和适应性。其次,必须从可以处理反馈的自适应物质发展为具有学习能力的物质(“学习物质”)。这些材料将通过嵌入式存储器功能、基于材料的学习算法和传感接口来增强。第三,必须从学习物质发展为真正的智能物质,它通过感官接口接收来自环境的输入,显示出通过嵌入式记忆和人工网络编码的期望响应,并且可以通过嵌入式传感器对外部刺激做出响应。因此,智能物质的发展需要协同的、跨学科的和长期的研究工作。
最终,考虑到整体性能是组件和连接的集体反应,需要完整的系统级演示来加快智能物质的使用。可以预见智能物质的各种技术应用,与现有人工智能和神经形态硬件的协同集成将特别有吸引力。在这方面,生命科学和生物控制论有机体中的应用也需要生物兼容的实现。 |