尤里卡机器像自然一样思考并探索人工智能无法探索的事物

尤里卡机器像自然一样思考，探索人工智能无法做到的事情。在 FPGA 板上实现的神经拟态 Ising 机器可以快速探索崎岖的能源景观，并具有指数级的多种竞争可能性，从而能够快速发现复杂优化问题的近乎最佳解决方案，例如蛋白质折叠，其中搜索从展开的链通过中间熔球状态发展到最稳定的折叠结构。最困难的计算问题不是等待更快的芯片，而是等待以根本不同的方式计算的机器。来自科罗拉多州特柳赖德神经拟态和认知工程研讨会以及 IISc 班加罗尔神经拟态工程研讨会 (BNEW) 的多机构团队构建了一台神经拟态计算机，将量子隧道物理与受大脑启发的架构相结合，以找到数学难题的解决方案。该论文发表在 Nature Communications 上，介绍了基于 CMOS 技术的量子启发计算的新方向。如今，人工智能模型可能有能力写小说，甚至驾驶航天器。但如果给他们一个物流网络、一个用于路线的微芯片或一个密码锁，他们就会停滞不前。这些都是组合问题——是计算领域最重要的未解决前沿问题之一。这项新研究表明，带有 Fowler-Nordheim 退火器的神经形态自动编码器可以大规模解决这些问题，并保证渐近收敛到最优解。这样的自动编码器不仅仅计算一个解决方案，它还寻找一个解决方案，即自然过程在复杂的能源景观中导航以稳定下来的方式。几十年来，摩尔定律带来了指数级的增长，使“购买更快的计算机”成为解决复杂问题的可行策略。但那个时代已经接近极限。下一个数量级将不会来自较小的流程节点，而是来自以不同方式思考和计算的架构。这项合作研究由圣路易斯华盛顿大学教授 Shantanu Chakrabartty 领导，他的研究小组多年来一直在研究基于 Fowler-Nordheim 的神经形态架构。该团队包括 IISc 电子系统工程系教授 Chetan Singh Thakur。参与这项研究的其他机构包括德国海德堡大学、巴尔的摩约翰霍普金斯大学和圣克鲁斯加州大学。因此，这项工作代表了来自世界各地的神经拟态工程师社区，他们定期在亚洲的班加罗尔神经拟态工程研讨会、美洲的特柳赖德神经拟态工程研讨会和欧洲的 CapoCaccia 神经拟态工程研讨会上开会并集思广益。他们正在共同打造新一代机器，专为解决计算中最困难的问题而设计。参考文献：Ahsan F、Maiti S、Chen Z、Kaiser J、Nandi A、Srivatsav M、Schemmel J、Andreou AG、Eshraghian J、Thakur CS、Chakrabartty S，高阶神经拟态 Ising 机 — 自动编码器和 Fowler-Nordheim 退火器是可扩展性所需的一切，Nature Communications (2026)。 https://doi.org/10.1038/s41467-026-71937-4 网站：https://labs.dese.iisc.ac.in/neuronics/