待上传4人类对芯片性能的需求在不断提高，芯片的研发出了工艺制程上的提高，只得以来新材料技术以及新材料的准确度，而现在这两项技术经过科学家们的努力正结合在一起。
人类对芯片性能的需求在不断提高，芯片的研发出了工艺制程上的提高，只得以来新材料技术以及新材料的准确度，而现在这两项技术经过科学家们的努力正结合在一起。
新纳米线结构将提高芯片小型化能力
EPFL研究员ValerioPiazza在半导体材料实验室工作，主要研究纳米级的半导体。他特别关注纳米线和使用半导体材料构建的纳米结构，研究的目标是将晶体管改进到超过当前的饱和点。晶体管是现代设备的关键部件，从汽车到智能手机和厨房电器，以及其他设备都广泛运用。
由于接近饱和的设计，晶体管的微型化正在达到极限。据Piazza称，主要的挑战是与克服饱和点有关的处理能力。
他认为我们可以利用纳米线和其他类型的纳米结构来克服当前的饱和状态。目前的改进来自于微加工方法的进步，使工程师能够开发出紧凑而复杂的电子设备。随着晶体管尺寸的缩小，可以在电路上安装更多的晶体管，提高其处理能力。
电子设备能有多小，受限于晶体管的尺寸。Piazza致力于开发基于纳米线的新型晶体管，以用于量子计算机。量子计算机依赖于被称为量子比特的基本元素，即最小的内存单位，这个亚微米级别是皮亚杰的研究重点。
实验室里正在制造的导线由周期表第三组和第五组的原子组成，包括镓、铝、铟、氮、磷和砷。今天设备中使用的晶体管的尺寸约为10纳米，而实验室中创建的水平纳米线的尺寸相同，但有望根据晶体质量提高电性能。
研究人员使用的方法是在基底表面蚀刻纳米导体，以创建不同的图案，从而对各种结构的性能进行测试。
该研究目前正专注于确定可以改善该过程的因素。
利用人工智能准确预测材料特性
据外媒报道，如果可以可靠地预测材料的特性，那么为大量行业开发新产品的过程就可以被简化和加速。在发表在《先进智能系统》上的一项研究中，来自东京大学工业科学研究所的研究人员利用机器学习，用磁芯损耗光谱学来确定有机分子的特性。
光谱技术能量损失近边结构（ELNES）和X射线近边结构（XANES）被用来确定材料中电子的信息，并通过它确定原子。它们具有高灵敏度和高分辨率，已被用于研究从电子设备到药物输送系统的一系列材料。
然而，将光谱数据与材料的特性--如光学特性、电子传导性、密度和稳定性--联系起来仍然是不明确的。机器学习方法已被用于提取大型复杂数据集的信息。这种方法使用人工神经网络，它基于我们的大脑如何工作，不断学习以解决问题。尽管该小组之前使用ELNES/XANES光谱和ML来找出材料的信息，但他们发现的东西与材料本身的属性无关。因此，这些信息不能轻易转化为发展。
现在，该团队已经使用ML来揭示隐藏在22155个有机分子的模拟ELNES/XANES光谱中的信息。“分子的ELNES/XANES光谱，或它们在这种情况下的 ‘描述符’，然后被输入系统，”主要作者Kakeru Kikumasa解释说。“这种描述符是可以在实验中直接测量的东西，因此可以以高灵敏度和分辨率来确定。这种方法对材料开发非常有利，因为它有可能揭示出某些材料特性产生的地点、时间和方式。”
仅仅从光谱中创建的一个模型就能够成功地预测所谓的密集特性。然而，它无法预测广泛特性，这些特性取决于分子大小。因此，为了改善预测，新的模型是通过包括与碳（存在于所有有机分子中）有关的三种元素的比率作为额外的参数来构建的，以使分子量等广泛的特性得到正确的预测。
“我们对磁芯损耗光谱的ML学习处理提供了对广泛材料特性的准确预测，如内能和分子量。磁芯损耗光谱和广泛属性之间的联系以前从未被提出过；然而，人工智能能够揭开隐藏的联系。”高级作者Teruyasu Mizoguchi说：“我们的方法也可能被应用于预测新材料和功能的特性。我们相信，我们的模型将是一个非常有用的工具，可以在广泛的行业中进行材料的高通量开发。”
科学家正开发像人类一样会"思考"的人工智能
创造类似人类的人工智能不仅仅是模仿人类的行为--技术也必须能够像人类一样处理信息，或"思考"，如果它要被完全依赖的话。由格拉斯哥大学心理学和神经科学学院领导的发表在《模式》杂志上的新研究，使用3D建模来分析深度神经网络处理信息的方式，也就是更广泛的机器学习家族的一部分，以可视化它们的信息处理如何与人类相匹配。
人们希望这项新工作将为创造更可靠的人工智能技术铺平道路，这种技术将像人类一样处理信息，并出现我们可以理解和预测的错误。人工智能发展仍然面临的挑战之一是如何更好地理解机器的思维过程，以及它是否与人类处理信息的方式相匹配，以确保准确性。深度神经网络经常被认为是目前人类决策行为的最佳模型，在一些任务中达到甚至超过人类的表现。然而，即使是欺骗性的简单视觉辨别任务，与人类相比，人工智能模型也会显示出明显的不一致和错误。
目前，深度神经网络技术被用于人脸识别等应用，虽然它在这些领域非常成功，但科学家们仍然没有完全理解这些网络是如何处理信息的，因此何时可能出现错误。
在这项新的研究中，研究小组通过对深度神经网络得到的视觉刺激进行建模，以多种方式进行转换，从而解决了这一问题，他们可以通过处理人类和人工智能模型之间类似的信息来证明识别的相似性。
该研究的资深作者、格拉斯哥大学神经科学与技术研究所所长Philippe Schyns教授说。"在建立行为"像"人类的人工智能模型时，例如，只要看到一个人的脸，就能像人类一样识别出来，我们必须确保人工智能模型使用与另一个人相同的信息来识别它。如果人工智能不这样做，我们可能会有这样的错觉，即该系统的工作方式与人类一样，但随后发现它在一些新的或未经测试的情况下会出错。"
研究人员使用了一系列可修改的3D面孔，并要求人类对这些随机生成的面孔与四个熟悉身份的相似性进行评分。然后他们用这些信息来测试深度神经网络是否出于同样的原因做出了同样的评价--不仅测试人类和人工智能是否做出了同样的决定，而且还测试它是否基于同样的信息。研究人员希望这项工作将为更可靠的人工智能技术铺平道路，使其行为更像人类，并减少不可预知的错误。
责编：EditorLL
您可能感兴趣
