由电阻器组成的复杂网络    图片来源：JACOB WYCOFF

无需计算机，一个简单的电路竟然学会了根据花瓣大小识别花朵！在近日举行的美国物理学会三月会议上，美国宾夕法尼亚大学物理学家Samuel Dillavou介绍这项工作时说：“我们正在学习关于学习的东西。”

与可以识别人脸、将口语转化为文本并执行其他任务的人工智能相比，这似乎微不足道。然而，这个微小的电路却在一个关键方面超越了机器学习系统——它在没有任何计算机帮助的情况下进行自我学习，类似于活体大脑。

这项工作展示了一种新方法，可以避免调整优化人工智能系统通常所需要的大量计算。这是一个令人头疼的问题，因为随着网络规模的增大，人工智能系统变得越来越复杂，造成越来越多的障碍。

Dillavou和同事随机将16个被称为可调电阻器的普通电子元件连接在一起，组成一个小网络。每个电阻器都作为网络的一个边，节点是电阻器引线的连接点。为了使用该网络，研究人员为特定的输入节点设置电压，并读出输出节点的电压。通过调整电阻器，自动系统学会了为给定的一组输入产生所需的输出。

为了用最少的计算量和内存来训练这个系统，研究人员实际上建立了两个完全相同的网络。在“钳位”网络中，他们给定一个输入电压，并将输出电压固定于他们想要的值。在“自由”网络中，他们只固定输入电压，然后让所有其他电压浮动到任意值，但这通常会导致输出电压数值错误。

之后，系统根据一个简单的规则调整两个网络中的电阻，该规则取决于“钳位”网络中一个电阻器上的电压差是否大于或小于“自由”网络中相应电阻器上的电压差。经过几次迭代后，这些调整使两个网络中所有节点上的所有电压趋于一致，并训练两个网络为给定的输入提供正确的输出。

重要的是，这种调整只需要很少的计算。Dillavou说，该系统只需要使用一个相对简单的电子元件，即比较器，就可以比较“钳位”和“自由”网络中相应电阻器的压降。

经过调整，该系统可以执行简单的人工智能任务。例如，根据对一朵花的4个物理测量——花瓣和萼片的长度和宽度，它能以95%以上的准确度区分3种鸢尾花。Dillavou在会议上报告说，他们在测试中使用了一组150张花朵的标准图像，其中30张用于训练网络。

尽管如此，这一系统还是不太可能取代标准的神经网络。波士顿大学的物理学家Jason Rocks表示，“如果它是由电子元件制成的，那么应该将其缩小至一个微芯片。”