學習通常與軟體脫離不了關系——例如“深度學習”(deep learning)。如今，英國的研究人員們已經(jīng)找到一種新方法，可“教導”碳奈米管(CNT)電路學習適當?shù)墓δ?，而又不至于改變其隨機的模式。接下來，研究人員們計劃利用液晶使其改變基本模式，從而使聚合物碳奈米管組合電路更加“進化”。此外，美國的研究人員們也找到了一種可自動產(chǎn)生隨機模式的途徑。
       “我們已經(jīng)在聚合物/碳奈米管復合材料中展示了簡單邏輯閘(包括半個加法器電路)的最佳化。未來，我們將擴大搜尋其他可能的新功能，”英國杜倫大學(Durham University)副研究員Mark Massey表示，“其中，一個特別令人感興趣之處在于材料中的神經(jīng)元演變。另一項有趣的應用是資料集的分類——這也正是我們目前致力于解決的另一個問題?！?br/>       其方法是在聚合物復合材料中建置隨機的碳奈米管圖案，然后在輸入側與輸出側形成多個金屬電極墊圖案(如圖)。然后在輸入電極上施加理想的輸入電壓，并在輸出電極測量電壓。其他附加的焊墊則仍可調(diào)整所施加的電壓，直至實現(xiàn)理想的功能后再加以固定。

              

        碳奈米管電路(中)藉由施加相應的電壓至邊緣電極，從而學習所需的功能。
       “輸入被施加到輸入焊墊，然后在輸出進行采樣，并與該特定輸入所需的輸出相互比較。在附加焊墊上施加可配置的電壓，即可訓練或‘發(fā)展’這種材料，”Massey說：“這些配置的電壓可在每次迭代期間經(jīng)由電腦演算法加以調(diào)整，以便在指定所需的輸出電壓時調(diào)整材料。”
       截至目前為止，研究團隊并未試圖改變碳奈米管/聚合物復合材料的隨機圖案，而只知現(xiàn)有的路徑將可實現(xiàn)研究人員理想中的執(zhí)行功能。

                                           

       “我們并非用傳統(tǒng)途徑來發(fā)展或訓練電路，材料方面也采用了具有不同導電率/絕緣區(qū)域的路徑組合。這套復雜的網(wǎng)路讓我們的研究可善加利用，”Massey說：“我們能透過電子顯微鏡來想像整個網(wǎng)路，不過它只顯示了實體結構，而非實際的電路?！?br/>       然而，研究人員的下一步是浸潤奈米管—聚合物復合物，使其成為可讓碳奈米管電路重新調(diào)整的液晶，從而使其得以演化出適當?shù)墓δ堋?br/>       “下一步，我們要使用基于液體的材料，預計在此可看到結構的變化與自組能力變，”Massey表示。
       首先，形成這種碳奈米管薄膜的最大的問題是，有些碳奈米管是金屬，有些則是半導體，迫使大多數(shù)的研究人員必須在形成薄膜之前對其進行排序。研究人員們已經(jīng)嘗試各種方法來解決這個問題，但一直無法找到低成本又有效率的方式。如今，伊利諾伊大學香檳分校(UIUC)的研究人員聲稱已經(jīng)找到一種既便宜又100%有效的方法。
       其工作原理是將薄膜放在可與金屬基底接觸的純凈金屬碳奈米管，然后在薄膜的另一側放置熱敏聚合物薄膜。當電壓通過金屬基底而被金屬碳米管的傳導電流加熱時，剛好足以導致一個使聚合物涂層破裂的溝槽，因而露出木屬碳奈米管的位置。接著，進行一個標準的桌面程序可立刻移除所有的金屬碳奈米管，以及化學性溶解聚合物涂層，使得100%純凈的碳奈米管薄膜可以被轉移至基底。