美国科学家研究出无需训练的神经网络，能帮助机器像人类一样思考

原标题：美国科学家研究出无需训练的神经网络，能帮助机器像人类一样思考

近日，由密歇根大学电气工程和计算机科学教授 Wei Lu 研究团队在《自然·通信》上发表了一项研究成果。这是一个新型的人工神经网络，被称为储备池计算系统（reservoir computing system），它能在对话之前对接下来想讲的词汇进行预测，并能够基于当前的对话预测未来的结果。

储备池计算系统能够提高典型神经网络的性能，减少训练所需的时间，但在过去，这种改进需要使用更大的光学元件。然而，研究人员使用忆阻器创造了这套系统，其好处在于所需空间较小，可以更容易地集成到现有的硅基电子器件中。

​图 / 忆阻器芯片为新的储备池计算系统提供动力(来自 ScienceDaily )

忆阻器全称记忆电阻 (Memristor)，是能执行逻辑和存储数据的特殊类型的电阻设备。这和典型的计算机系统形成了对比，后者的逻辑模块和存储模块是分离的，处理器执行逻辑，存储模块保存数据。在这个研究中，Lu 的团队采用了一种近年来新出现的特殊的忆阻器。

最早提出忆阻器概念的人，是加州大学伯克利分校的华裔科学家蔡少棠，他在 1971 年发表的题为《忆阻器：下落不明的电路元件》的论文中预测自然界存在第四种电路元件，并称之为忆阻器。此后，一直没有人验证忆阻器的存在，在当时很难找到合适的材料，也并没有多少人重视这个研究。直到 2008 年，惠普继续推动了忆阻器的研究。

忆阻器是硬件实现人工神经网络突触的最好方式之一。神经网络由神经元或节点、突触组成，通过调整内部大量节点之间相互连接的关系达到处理信息的目的。

神经网络的概念在 70 年代的时候被提出。两位德国的医生和生物学家在解剖猫的时候获得灵感，他们发现，猫的视觉皮层是分阶段发育的，它会从视网膜开始，通过对感官数据的响应来调整其神经连接，每次一层，神经元之间相互连接时有反射弧，当有电流的时候，它就认为这是一个激活状态。这套理论从他们的角度来讲非常切合人脑的识别模式，所以提出神经网络架构。此后，科学家们不断对神经网络进行研究完善。

在训练神经完成一个任务时，需要给神经网络提供大量的问题和对应的答案。在这个被称为监督学习过程中，节点之间的连接权重需调整为更大或更小，以实现结果和正确答案之间的误差最小。

一旦训练完成，神经网络就可以在不知道答案的情况下进行测试。例如，系统可以处理一张新照片，并正确识别一个人脸，因为它已经从其训练集中的其他照片中学习了人脸的特征。Lu 表示，训练一个网络需要划分几天或者几个月的时间，这非常贵。

图像识别只是相对简单的问题，因为它除了静态图像外，不需要任何其他信息。语音识别是更复杂的任务，它高度依赖上下文内容，这需要让神经网络了解刚刚发生了的事情和所说的内容。

Lu 告诉媒体，「当把语言转换成文本或翻译语言时，一个单词的含义甚至发音都会根据之前的音节而有所不同。」这就需要一个循环神经网络，它在网络中结合了循环，带来记忆效应。但是训练这些循环神经网络成本非常昂贵。

然而，使用忆阻器构成的储备池计算系统可以跳过大部分昂贵的训练过程，并且可以提供网络记忆功能，这是因为系统中最关键的组成部分储备池不需要训练。

该研究团队使用手写识别测试来验证储备池计算概念，这是神经网络的标准检查程序。然后用像莫尔斯电码那样的电压输入到计算机中。传统的神经网络需要数千个节点，而这个储备池则仅需 88 个忆阻器作为节点，在识别手写版本的数字时，储备池计算系统的准确性达到了 91％。

​图 / 基于忆阻器的手写数字识别(图片来自 《自然·通信》 Reservoir computing using dynamic memristors for temporal information processing )

储备池计算系统特别擅长处理随时间变化的数据，如数据流或文字流，或依赖于过去结果的功能。Lu 计划通过这项研究探索两条未来路径：语音识别和预测分析。

他告诉媒体：「我们可以对自然语言进行预测，所以你甚至不用说全文，我们就可以猜测到你接下来说什么。」