量子世界的海市蜃楼，和机器算法的嗅觉，哪一个更加魔幻呢

来源:知识社会学术界

量子世界的海市蜃楼和机器算法的嗅觉哪个更神奇？

海市蜃楼是自然界非常有趣的现象。量子海市蜃楼效应(quantum mirage effect)是海市蜃楼的量子版，它显示了在椭圆量子围栏中一个焦点上放置的原子的近藤效应可以在另一个焦点上被探测到，从而显示了在原子尺度上传输信息的可能性，使得几乎没有干扰的原子和分子性质的远程探测成为可能。之前的工作是利用近藤效应实现量子海市蜃楼，只能在费米能级附近探测到。这极大地限制了对其物理机制的探索和可能的应用。南京大学丁海峰课题组最近发现了一种不依赖近藤效应的量子海市蜃楼效应。这种效应不再局限于费米能级，而是可以在很宽的能量范围内被探测到。在此基础上，揭示了量子海市蜃楼的物理机制，构建了基本逻辑门。

本研究结合系统的实验研究和分析模型，揭示了量子海市蜃楼的形成机理，表明量子海市蜃楼是无原子焦点的椭圆量子栅栏的电子波函数与原子穿过栅栏反射并置于另一焦点的波函数相干叠加的结果。

在此基础上，通过对量子海市蜃楼的精确控制，实现了逻辑非门、扇门、或门等基本的逻辑操控。图1显示了一个逻辑非门。不同于量子海市蜃楼中在量子相干叠加中使用相干增强的原理，逻辑非门的设计是基于量子相干叠加中的相干抵消。当一个原子放在椭圆的左焦点时，相干抵消减弱输出信号，形成信号为“0”的输出，而当没有原子放在左焦点时，形成信号为“1”的输出，从而形成逻辑“非”门。

图1。逻辑非门： 在椭圆量子围栏左焦点放置1个Fe原子的形貌图。 相应的在39 mV下的dI/dV谱图，在右焦点处，相干相消使得输出信号为“0”。 在椭圆左焦点处为空置的形貌图。 相应的在39 mV下的dI/dV谱图，右焦点处出现强的信号，输出为“1”。图1。逻辑非门:将铁原子的形貌放在椭圆量子栅栏的左焦点。对应于39毫伏的dI/dV频谱图，在右焦点，相干抵消使输出信号为“0”。椭圆左焦点处有空的地形。在对应的39 mV的dI/dV谱图中，右焦点出现强信号，输出为“1”。

椭圆只有两个焦点，而逻辑学家通常有两个以上的输入输出端。为了解决这个问题，研究人员设计了一个特殊的共焦椭圆，如图2a所示，其中两个椭圆量子栅栏的焦点之一重合，形成一个共焦椭圆。图2显示了逻辑扇出，它将共焦椭圆中的公共焦点作为输入，另外两个焦点作为输出。可以看出，当输入端没有原子时，输出端的dI/dV输出信号非常低。当原子置于输入端时，在输出端可以获得强扫描隧道光谱输出信号。当输入和输出端被切换时，也可以实现逻辑或门。

图2。 逻辑扇出门。 共焦椭圆形貌图。 相应的在34 mV下的dI/dV谱图。在共焦椭圆共同焦点处放置一个Fe原子的形貌图。 与之对应的在34 mV下的dI/dV谱图。输入为共同焦点处的原子占据与否，输出为其它两个焦点处的dI/dV值高低。图2。逻辑扇出。共焦椭圆外观。以及34 mV时对应的dI/dV谱图。铁原子的形貌被置于共焦椭圆的公共焦点上。以及34 mV时对应的dI/dV谱图。输入是共同焦点处原子的占有，输出是其他两个焦点处的dI/dV值。

该作品于3月16日在线发表在《自然通讯》上，标题为“椭圆量子围栏中的近藤自由幻影”。

这项工作得到了人工微结构科学技术合作创新中心、固体微结构物理国家重点实验室、国家自然科学基金、科技部R&D重点项目、中国博士后科学基金和江苏省自然科学基金的资助。

文章链接:

doi:https://www . doi . org/10.1038/s 41467-020-15137-8

一种带嗅觉的算法

今天，研究人员在《自然机器智能》上发表了一项研究，报告了一种模拟生物嗅觉的神经算法。这一成果可能有助于人工智能鼻子的训练，使其即使混入未知气味也能识别特定气味。这项工作由康奈尔大学心理学系计算生理学实验室的托马斯·克莱兰教授和旧金山英特尔神经形态计算实验室的恩比尔·伊玛目教授领导。

众所周知，神经形态芯片是一种能够模仿人脑的理解、动作和认知能力的计算机器。与数字芯片不同的是，它可以得到与现实世界不同的结果，可以模拟人脑中神经元和突触的电子活动。神经芯片技术为研究神经元和大脑的高级功能搭建了新的平台，也为人工智能领域开辟了新的研究途径。

总之，利用人工神经元及其网络解决实际问题是神经形态学芯片的理想目标之一。探索能在生物神经回路层面完美实现的算法，是该领域需要克服的障碍之一。在这项研究中，研究人员报告了一种基于哺乳动物嗅觉系统的神经算法，该算法可以学习和识别气味样本。该算法已经在神经形态学系统中实现，研究人员使用甲苯、氨、丙酮、一氧化碳和甲烷来训练样本。研究结果揭示了有助于理解哺乳动物嗅觉和改进人工化学感知系统的计算特征。

基于嗅觉的神经网络算法

这项研究的一个非常重要的意义在于，它是一种基于嗅觉信息处理的神经算法。要知道，人工智能领域最成功、最成熟的系统就是从图像信息处理发展而来的算法。它通常基于视觉系统直接或间接处理信息，在图像检测、人像识别、围棋等领域取得了突出的成就，拥有大量的计算能力和可观的训练数据集。

然而，最成熟的系统在一些复杂的问题上仍然相当薄弱，比如热门的自动驾驶领域。人工智能在不熟悉的环境中导航时，周围的环境会不断变化，充满了噪声和歧义因素。而视觉系统启发的深度学习技术由于应对策略单一，无法完成这一复杂任务。

科学家认为，大脑可能使用许多不同的策略来处理不同类型的数据。除了研究视觉系统是如何工作的，研究人员可能还有许多其他领域要探索。基于气味的算法进入了人们的视野。

嗅觉是一个古老的系统，它的历史可以追溯到细菌和生物对化学物质的感觉，所有的生物都会利用某种形式的嗅觉来探索周围的环境。嗅觉系统在结构上与生物大脑的其他区域惊人地相似，尤其是与记忆密切相关的海马体和负责运动控制的小脑。从这个新起点汲取灵感，无疑会让人们更好地理解生物是如何处理化学信息的，找到更好的人工智能编码策略。

视觉信息和嗅觉信息的区别是相当大的。现在的机器学习技术直接或间接地受到视觉系统模拟结构的启发，所以一般采用分层摄取视觉信息的方法。视觉层接收到视觉信息后，会根据空之间映射相关的元素，如边缘、纹理、颜色等，在神经元之间传递，共同形成抽象表达。

而嗅觉信息与视觉信息完全不同，视觉信息由不同成分、不同浓度组成，是非结构化的。由于没有明显的边界，很难直接进行分类，因此很难确定在识别时应该注意哪些特征。这种截然不同的特征迫使科学家们寻找一种新的算法结构。

从“模仿”开始

基于嗅觉的神经网络算法无疑提供了一个与主流算法完全不同的研究维度。然而，面对这样一个新的方向，如何进行已经成为一个难题。因此，人们把注意力转向了大自然现有的礼物。因此，以“仿生”为目标的神经网络算法自然以“模仿”为起点。

2017年，尼日利亚的研究人员声称，Koniku Kore是一种神经形态学芯片，是通过转化小鼠的神经元而产生的。它是世界上第一个具有嗅觉并能识别爆炸物气味的芯片。据研究人员称，该芯片是活神经和硅的混合物，是用小鼠神经元构建的。他们在预测技术前景时表示，未来可以通过气味训练，利用芯片检测挥发性化学物质、爆炸物甚至癌症等疾病的气味，让机器人代替进行安检和排爆。

芯片Koniku Kore创造者Oshiorenoya Agabi芯片Koniku Kore的创造者Oshiorenoya Agabi

在另一项研究中，索尔克生物研究所的计算机科学家Saket Navlakha开发了一种基于苍蝇的嗅觉回路算法，它有望提高机器学习技术在类似搜索和新检测任务中的性能。苍蝇接近成熟水果的味道，但远离醋酸等刺激性气味的来源。但是它的环境复杂，充满了干扰因素，所以它遇到的气味不可能完全一样。然而，当苍蝇遇到新的气味时，它会回忆起以前遇到过的最相似的气味，并做出相应的反应。受到纳夫拉卡和他的团队的启发，他们决心寻找一种相似性搜索方法，通过气味来刺激Er 3。

神经形态芯片正在模糊芯片和生物系统的界限。这在嗅觉算法发展初期的领域尤为明显。目前，IMB、HRL实验室、高通等技术巨头已经在神经形态学芯片上投入了相当大的精力，相信其发展速度会令人刮目相看。