技术摘要：类脑自适应树突忆阻网络

问题陈述

当前的人工智能系统依赖于在固定拓扑硬件架构内调整连接权重的学习算法。这种方法将学习过程与计算基质的物理演化脱节，阻碍了经验直接重塑计算架构的可能性。虽然忆阻器件已被用于深度神经网络的硬件加速器（例如，通过存内矩阵向量乘法），但它们通常运行在僵化的、预先制造好的拓扑结构中。即使是用于物理储备池计算的自组织忆阻网络，通常也维持固定的连接性，其学习是通过外部读出权重实现的，而非通过网络结构本身的物理适应。目前缺乏能够通过计算基质内形态与功能连接性的协同演化，来物理编码经验的硬件架构。

方法论

作者提出了一种基于动态相互作用的电化学树突的自组织、形态自适应网络。该系统利用一个由金（Au）电极作为神经末端，以及生物相容性硝酸银（AgNO3）溶于二甲基亚砜（DMSO）电解质组成的电化学电池。

核心机制：

1. 结构可塑性（形态发生）： 该系统模拟了突触形态发生和轴突生长。在终端之间施加时间相关的电压脉冲（双极脉冲）会驱动竞争性的半电池反应：在负偏置电极上发生还原反应（$Ag^+ + e^- \rightarrow Ag$），在正偏置电极上发生氧化反应（$Ag \rightarrow Ag^+ + e^-$）。这导致金属树突分支的净生长，这些分支可以结构性地连接终端，形成电气接点（突触）。通过调整刺激参数（脉冲幅度、脉冲间隔）和电解质浓度，可以调节生长动力学，使其在各向同性（类树突状）和定向（类轴突状）行为之间切换。
2. 功能可塑性（忆阻动力学）： 一旦形成，树突连接会表现出忆阻行为。它们展示了电化学金属化（ECM）电池典型的双极电阻切换（SET/RESET）特性，其中导电细丝根据施加的电压变细/断裂或形成/增强。根据刺激历史和操作条件，该系统支持挥发性（短期）和非挥ло性（长期）记忆状态。
3. 建模： 开发了一个二维基于物理的随机模型来模拟该系统。它集成了金属-电解质界面的局部电势与电解质中的离子扩散传输，并考虑了双电层的电容效应。该模型使用算子分裂的反应-扩散方案，以捕捉扩散限制生长与电势驱动定向生长之间的相互作用。

实验设置：

• 制备： 在带有 Au 电极的 Si 晶圆上制备了两端电池；多终端系统使用了带有图案化 Au 引脚的商用微电极阵列（MEA）。
• 刺激： 使用带有 64 个并行源测量单元（SMU）的 ArcTWO 测量板进行同步刺激和采集。
• 读出： 通过向终端对施加低幅度读电压（50 mV）并保持其他终端悬空来获取电导矩阵。

关键贡献与结果

1. 结构与功能的协同演化

研究表明，结构连接性（物理布线图）和功能连接性（突触权重）会响应外部刺激而协同演化。系统将时空输入模式直接嵌入到其物理形态中。

• 结果： 多终端网络会通过结构演化，在具有时空相关活动的终端之间建立连接，有效地降低了共激活节点之间的拓扑距离。

2. 实现联想学习范式

该系统直接在材料层面（$in\ materia$）实现了生物联想学习原理：

• 经典条件反射（巴甫洛夫）： 系统被配置为模仿巴甫洛夫的狗。一个预设的高电导连接代表非条件刺激（食物）到反应（唾液分泌）。通过将中性刺激（铃声）与非条件刺激同步刺激，网络生长出了一个连接“铃声”和“唾液分泌”终端的新树突连接。在条件反射形成后，仅靠“铃声”刺激即可触发反应电流，证明了条件关联的形成。
• 操作性条件反射（斯金纳）： 系统复制了斯金纳的鸽子啄食和鼠类惩罚任务。
  • 鸽子啄食： 奖励性输入增加了电导（啄食率）。在消退期间（无奖励），电导下降，但底层的树突拓扑结构基本保持完整（“节省”现象）。重新训练能迅速恢复并增强电导，速度快于初始条件反射。
  • 鼠类惩罚： 施加惩罚刺激（较短的负脉冲），最终打破了电气连接。然而，并未观察到树突拓扑结构的显著变化，这意味着学习到的信息仍保留在树突结构中。重新训练再次显示出快速恢复和增强，证实了“记忆”并非被删除，而是尽管发生了功能性中断，但在结构上得到了保存。

3. 解决优化问题（路径选择）

作者展示了该系统解决与机器人导航相关的路径规划优化问题的能力。

• 方法： 将具有不同遍历成本（如沙地、岩石）的地形图映射为时空刺激协议。电极代表地形区域，电压幅度编码遍历难度。
• 结果： 树突生长过程起到了物理稀疏化的作用，强化了低成本的导电路径并抑制了高成本区域。生成的导电子网络体现了最优路径。
• 性能： 使用 Dijkstra 算法在提取的电导矩阵上进行处理，该系统在 25 次独立运行中，其与地面真值最优路径的平均成功加权重叠度达到了 85%。

意义与主张

本文声称建立了一条通往物质层面具身智能的途径。通过利用适应性材料和物理网络动力学将信息处理、学习和记忆编码相结合，这项工作证明了：

1. 学习是物理性的： 学习不仅仅是在固定图中优化参数，而是通过结构与功能连接性的协同演化，实现经验在物理上的具身化。
2. 物质内计算（In-Materia Computation）： 计算从材料自组织中内在地涌现，信息主动塑造了处理信息的计算结构。
3. 生物保真度： 该系统成功重现了复杂的生物学习现象，包括经典和操作性条件反射、节省现象以及快速重新条件反射，这些都是利用模拟突触形态发生和可塑性的电化学机制实现的。
4. 通过形态进行优化： 树突结构的层次化、分形特性促进了信息隔离与整合之间的平衡，使物理系统能够通过将图约束转化为物理导电路径，从而解决组合优化问题（如寻路问题）。

作者将这项工作定位为对自上而下制造硬件的一种偏离，提出了一种自下而上的方法，其中计算架构在学习过程中会发生适应，为开发能够将处理、存储和学习集成在单一物理系统中的下一代自适应硬件提供了潜在路径。