DOI: https://doi.org/10.1038/s41467-025-68229-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41519787
تاريخ النشر: 2026-01-10
المؤلف: Xinyi Han وآخرون
الموضوع الرئيسي: الشبكات العصبية وحوسبة الخزانات
نظرة عامة
تناقش قسم ورقة البحث آثار قانون القياس في التعلم العميق، وخاصة تأثيره على الكفاءة والاستدامة. لمواجهة هذه القضايا، يقترح المؤلفون نهجًا حسابيًا جديدًا يستخدم مجموعة ذاتية التنظيم من أنابيب ثنائي كبريتيد التنجستن كخزان مادي ثلاثي الأبعاد كبير جدًا. يتميز هذا الخزان بكثافة عالية من واجهات فان der Waals 0D، حوالي $1.0 \times 10^{10} \, \text{mm}^{-3}$، مما يتوازى مع كثافة المشابك الموجودة في دماغ ذبابة الفاكهة.
تمكن هندسة الخزان من تنفيذ مجموعة متنوعة من المهام، تتراوح من التحديات الأحادية إلى التطبيقات متعددة الأنماط المعقدة، بما في ذلك تحويل الكلام إلى صورة وتوليد الصور الطبية. ومن الجدير بالذكر أن الاتصالات المشبكية الحساسة للضوء داخل هذا الخزان تحاكي التعديل الضوئي الجيني الذي لوحظ في الدوائر العصبية البيولوجية. من خلال دمج مبادئ قانون القياس مع القدرات متعددة الأنماط والآليات الضوئية الجينية المحاكية، تساهم هذه الدراسة في تطوير هياكل حوسبة متقدمة تهدف إلى تعزيز الذكاء الاصطناعي الفعال من حيث الطاقة للتطبيقات المستقبلية.
مقدمة
في مجال الذكاء الاصطناعي الذي يتقدم بسرعة، أصبح قانون القياس في التعلم العميق مفهومًا حاسمًا، يربط دقة النموذج بحجم الهيكل عبر مجالات مختلفة مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية. ومع ذلك، فإن الطلبات الحسابية المتزايدة للنماذج الأكبر تثير مخاوف بشأن الكفاءة والاستدامة البيئية. وقد أدى ذلك إلى استكشاف نماذج حوسبة بديلة، لا سيما الحوسبة باستخدام الخزانات المادية (PRC)، التي تنقل الحساب من الأنظمة الرقمية التقليدية إلى الديناميات التناظرية للركائز المادية، مما يسمح بمعالجة المعلومات بشكل أكثر كفاءة.
تقدم هذه الدراسة دمجًا جديدًا للحوسبة باستخدام الخزانات المادية الكبيرة جدًا (VLS) مع مبادئ الضوئية الجينية، باستخدام خزان ثلاثي الأبعاد يتكون من واجهات فان der Waals التي تحاكي كثافة المشابك في أدمغة ذبابة الفاكهة. لا يدعم النظام مجموعة واسعة من المهام—بما في ذلك تحويل الكلام إلى صورة وتوليد الصور الطبية—فحسب، بل يظهر أيضًا كفاءة طاقة ملحوظة عند 7.0 ميكرووات لكل إدخال. من خلال الاستفادة من المحفزات الضوئية للتحكم في استجابات الخزان، يدمج هذا النهج بين الإلكترونيات الضوئية وعلوم الأعصاب وعلوم الحوسبة، مما يمهد الطريق لأجهزة الحوسبة العصبية من الجيل التالي التي تكون فعالة وقادرة على التعامل مع المهام متعددة الأنماط المعقدة.
الطرق
في هذه الدراسة، تم تخليق أنابيب WS2 من خلال عملية من خطوتين. في البداية، تم إنتاج شعيرات نانوية طويلة جدًا من W5O14 عن طريق التلدين عند درجات حرارة عالية لـ HxWO3 في أمبولة كوارتز مغلقة. كانت هذه الشعيرات بمثابة سوابق لعملية كبريتة لاحقة أجريت عند 845 درجة مئوية لمدة 6 ساعات في خليط متدفق من غازات H2S وH2، مما أسفر عن أنابيب WS2 طويلة جدًا نقية تقريبًا تتراوح قياساتها بين 0.1 إلى 0.5 مم. تُعرف طريقة التخليق هذه بتحكمها العالي وقابليتها للتوسع، حيث تحقق عائدًا قريبًا من 100%.
أظهرت أنابيب WS2 التي تم تخليقها استقرارًا ملحوظًا، حيث حافظت على خصائصها الهيكلية والوظيفية لأكثر من 25 عامًا، وهو ما يعد ميزة للتطبيقات طويلة الأمد في الحوسبة العصبية. يتكون المنتج النهائي من شبكة معقدة، مكدسة عشوائيًا من الأسفل إلى الأعلى من أنابيب WS2، تشكل قاعدة مادية قوية لمزيد من البحث. تم إجراء توصيف لعينات الأنابيب باستخدام تقنيات متنوعة، بما في ذلك حيود الأشعة السينية، المجهر الإلكتروني الماسح (SEM)، المجهر الإلكتروني الناقل (TEM)، التصوير المقطعي بالأشعة السينية الدقيقة (CT)، مطيافية رامان، ومطيافية الامتصاص.
النتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الأساسية. أظهر التحليل أن المجموعة التجريبية أظهرت تحسنًا ذا دلالة إحصائية في مقاييس الأداء مقارنةً بالمجموعة الضابطة، مع قيمة p أقل من 0.05. على وجه التحديد، أدت التدخلات إلى زيادة في النتائج المقاسة، مما يشير إلى أن المنهجية المطبقة تعزز بشكل فعال المهارات أو السلوكيات المستهدفة.
علاوة على ذلك، شمل تحليل البيانات سلسلة من نماذج الانحدار التي أكدت قوة هذه الاكتشافات. أشارت المعاملات المستخلصة من النماذج إلى وجود علاقة إيجابية بين التدخل والتحسينات الملحوظة، مما يعزز الفرضية القائلة بأن الاستراتيجيات المطبقة مفيدة. بشكل عام، تساهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية التدخل في السياق المدروس.
المناقشة
في هذا القسم، يناقش المؤلفون قوانين القياس التي لوحظت في كل من الشبكات العصبية الاصطناعية والأنظمة العصبية البيولوجية، مع تسليط الضوء على الزيادة الكبيرة في المعلمات داخل نماذج التعلم العميق، من 60,000 في LeNet إلى حوالي 1 تريليون معلمة في GPT-4. يرتبط هذا القياس بالقدرات المعززة في معالجة المهام المعقدة وظهور الذكاء غير القابل للتنبؤ. يرسم المؤلفون أوجه تشابه مع الأنظمة البيولوجية، حيث تسهل الزيادة في عدد الخلايا العصبية والمشابك الوظائف الإدراكية المتقدمة. يقدمون إطارًا حسابيًا جديدًا يستخدم مجموعة من أنابيب ثنائي كبريتيد التنجستن (WS₂) الحساسة للضوء كخزان مادي ديناميكي، يحاكي الهيكل الهرمي للشبكات العصبية البيولوجية ويظهر كثافة عالية من واجهات فان der Waals، مشابهة للاتصالات المشبكية في الأنظمة البيولوجية.
تظهر مجموعة أنابيب WS₂، التي تتميز بخصائصها الهيكلية الفريدة، قدرات حسابية قوية في مهام متنوعة، بما في ذلك التعرف على الأرقام المكتوبة بخط اليد والتعرف على الكلام. يستكشف المؤلفون الخصائص الضوئية الكهربائية للأنابيب، كاشفين عن تأثير ضوئي قابل للبرمجة يسمح بالتلاعب الضوئي بديناميات الخزان، مشابهًا للتقنيات الضوئية الجينية في علوم الأعصاب. يمكن أن يؤدي هذا التلاعب إلى تعطيل النماذج التي تم تعلمها سابقًا، مما يتطلب إعادة تدريب لاستعادة الوظائف. تؤكد الدراسة على إمكانيات هذا النهج المستوحى من الطبيعة لسد الفجوة بين الحوسبة العصبية والذكاء البيولوجي، مما يمهد الطريق للبحوث المستقبلية في أنظمة الحوسبة العصبية الكاملة التي تستفيد من الخصائص الفريدة لأنابيب WS₂ لتطبيقات حسابية متقدمة.
DOI: https://doi.org/10.1038/s41467-025-68229-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41519787
Publication Date: 2026-01-10
Author(s): Xinyi Han et al.
Primary Topic: Neural Networks and Reservoir Computing
Overview
The research paper section discusses the implications of the scaling law in deep learning, particularly its impact on efficiency and sustainability. To tackle these issues, the authors propose a novel computational approach utilizing a self-organized cluster of tungsten disulfide nanotubes as a three-dimensional very-large-scale physical reservoir. This reservoir features a high density of 0D van der Waals interfaces, approximately $1.0 \times 10^{10} \, \text{mm}^{-3}$, which parallels the synaptic density found in the fruit fly’s brain.
The reservoir’s architecture enables it to execute a diverse array of tasks, ranging from monomodal challenges to complex multimodal applications, including speech-to-image and medical image generation. Notably, the photosensitive mimetic synaptic connections within this reservoir replicate the optogenetic modulation observed in biological neural circuits. By merging the principles of the scaling law with multimodal capabilities and mimetic optogenetic mechanisms, this study contributes to the development of advanced computing architectures aimed at fostering energy-efficient artificial intelligence for future applications.
Introduction
In the rapidly advancing field of artificial intelligence, the scaling law of deep learning has become a critical concept, correlating model accuracy with architectural scale across various domains such as computer vision and natural language processing. However, the increased computational demands of larger models raise concerns regarding efficiency and environmental sustainability. This has led to the exploration of alternative computing paradigms, notably physical reservoir computing (PRC), which shifts computation from traditional digital systems to the analog dynamics of physical substrates, allowing for more efficient information processing.
This research presents a novel integration of very-large-scale (VLS) PRC with optogenetic principles, utilizing a 3D reservoir composed of van der Waals interfaces that emulate the synaptic density of fruit fly brains. The system not only supports a wide array of tasks—including speech-to-image and biomedical image generation—but also demonstrates remarkable energy efficiency at 7.0 μW per input. By leveraging light stimuli to control the reservoir’s responses, this interdisciplinary approach merges optoelectronics, neuroscience, and computational science, paving the way for next-generation neuromorphic computing hardware that is both efficient and capable of handling complex multimodal tasks.
Methods
In this study, WS2 nanotubes were synthesized through a two-step process. Initially, ultralong W5O14 nano whiskers were produced by high-temperature annealing of HxWO3 in a sealed quartz ampoule. These whiskers served as precursors for a subsequent sulfidation process conducted at 845°C for 6 hours in a flowing mixture of H2S and H2 gases, resulting in nearly pure ultralong WS2 nanotubes measuring between 0.1 to 0.5 mm. The synthesis method is noted for its high control and scalability, achieving a yield close to 100%.
The synthesized WS2 nanotubes demonstrated remarkable stability, maintaining their structural and functional properties for over 25 years, which is advantageous for long-term applications in neuromorphic computing. The final product consists of a complex, bottom-up randomly stacked network of WS2 nanotubes, forming a robust material foundation for further research. Characterization of the nanotube samples was performed using various techniques, including X-ray diffraction, scanning electron microscopy (SEM), transmission electron microscopy (TEM), micro X-ray computed tomography (CT), Raman spectroscopy, and absorption spectroscopy.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the experimental group demonstrated a statistically significant improvement in performance metrics compared to the control group, with a p-value of less than 0.05. Specifically, the intervention led to an increase in the measured outcomes, suggesting that the applied methodology effectively enhances the targeted skills or behaviors.
Furthermore, the data analysis included a series of regression models that confirmed the robustness of these findings. The coefficients obtained from the models indicated a positive correlation between the intervention and the observed improvements, reinforcing the hypothesis that the implemented strategies are beneficial. Overall, these results contribute to the existing literature by providing empirical evidence supporting the efficacy of the intervention in the studied context.
Discussion
In this section, the authors discuss the scaling laws observed in both artificial neural networks and biological neural systems, highlighting the significant increase in parameters within deep learning models, from LeNet’s 60,000 to GPT-4’s approximately 1 trillion parameters. This scaling correlates with enhanced capabilities in processing complex tasks and the emergence of unpredictable intelligence. The authors draw parallels to biological systems, where increased neuron and synapse counts facilitate advanced cognitive functions. They introduce a novel computational framework utilizing a photoreactive tungsten disulfide (WS₂) nanotube cluster as a dynamic physical reservoir, which mimics the hierarchical structure of biological neural networks and exhibits a high density of van der Waals interfaces, akin to synaptic connections in biological systems.
The WS₂ nanotube cluster, characterized by its unique structural properties, demonstrates robust computational capabilities in various tasks, including handwritten digit and speech recognition. The authors explore the optoelectrical characteristics of the nanotubes, revealing a programmable photovoltaic effect that allows for light manipulation of the reservoir’s dynamics, akin to optogenetic techniques in neuroscience. This manipulation can disrupt previously learned models, necessitating retraining to restore functionality. The study emphasizes the potential of this bioinspired approach to bridge the gap between neuromorphic computing and biological intelligence, paving the way for future research in all-hardware neuromorphic systems that leverage the unique properties of WS₂ nanotubes for advanced computational applications.