一个以生物大脑为物理模型的实验计算系统已经“学会”识别手写数字，总体准确率为93.4%。实验中的关键创新是一种新的训练算法，该算法在学习时实时向系统提供有关其成功完成任务的连续信息。这项研究发表在《自然通讯》上
该算法优于传统的机器学习方法，即在处理完一批数据后进行训练，准确率为91.4%。研究人员还表明，存储在系统中的对过去输入的记忆本身增强了学习。相反，其他计算方法将存储器存储在与设备处理器分离的软件或硬件中
15年来，加州大学洛杉矶分校加州纳米系统研究所（CNSI）的研究人员一直在开发一种新的计算平台技术。这项技术是一个受大脑启发的系统，由一个缠绕在电极床上的含有银的电线网络组成。该系统通过电脉冲接收输入并产生输出。单根电线非常小，它们的直径是在纳米尺度上测量的，单位是十亿分之一米
“微小的银脑”与今天的计算机大不相同，现在的计算机包含独立的存储器和处理模块，这些模块由原子组成，原子的位置不会随着电子的流动而改变。相比之下，纳米线网络根据刺激进行物理重新配置，记忆基于其原子结构并在整个系统中传播。在电线重叠的地方，连接可以形成或断开——类似于生物大脑中神经元相互交流的突触行为
悉尼大学的研究合作者开发了一种用于提供输入和解释输出的简化算法。该算法经过定制，可以利用系统类似大脑的动态变化能力，同时处理多个数据流
类脑系统由一种含有银和硒的材料组成，这种材料可以在16个电极阵列的顶部自组织成纠缠的纳米线网络
科学家们使用手写数字的图像对纳米线网络进行了培训和测试，这是一个由美国国家标准与技术研究所创建的数据集，通常用于测试机器学习系统。使用每个持续千分之一秒的电脉冲将图像逐个像素地传送到系统，不同的电压代表亮像素或暗像素
纳米线网络仍在开发中，预计执行类似任务所需的功率远低于基于硅的人工智能系统。该网络在当前人工智能难以完成的任务上也显示出了希望：理解复杂的数据，如天气、交通和其他系统随时间变化的模式。要做到这一点，今天的人工智能需要大量的训练数据和极高的能源支出
通过本研究中使用的协同设计类型——硬件和软件串联开发——纳米线网络最终可能与硅基电子设备一起发挥互补作用。嵌入能够持续适应和学习的物理系统中的类脑记忆和处理可能特别适合所谓的“边缘计算”，即在不需要与远程服务器通信的情况下当场处理复杂数据
潜在用途包括机器人、车辆和无人机等机器的自动导航、构成物联网的智能设备技术，以及多个位置传感器的健康监测和协调测量。
