分子系统软材料固态材料助力智能物质的兴起

　　编译凯霞
　　人脑尤其擅长计算密集型认知任务，例如模式识别和分类。受大脑能力的启发，人工智能（AI）正在加速非常规计算范式的发展。一个长期目标是去中心化的神经形态计算，依靠分布式核心网络来模拟大脑的大规模并行性，从而严格遵循自然启发的信息处理方法。
　　最近，来自德国明斯特大学的科学家在《自然》（Nature）杂志上发表题为《智能物质的兴起》Theriseofintelligentmatter的观点性文章。该文章评论了利用分子系统、软材料或固态材料实现智能物质的进展，包括在软机器人技术、自适应人工皮肤的开发和分布式神经形态计算。
　　智力可以理解为感知信息并将其保留为知识，以应用于不断变化的环境中的适应性行为的能力。尽管没有公认的智力定义，但智力相关概念主要包含两个特征：第一，学习能力，第二，适应环境的能力。
　　随着AI的普及，人们正努力在日益复杂的系统中实施学习和适应技能，这些系统共同集成了各种功能组件。超越这种功能架构，实现本身具有智能基本特征的合成物质将构成一个全新的人工智能概念。潜在应用的例子包括：可自我调节温度和吸光度的人造皮肤、根据穿着者的感觉变成保暖或凉爽服装的智能服装、具有智能触觉的软机器人等。
　　然而，由于高级人工智能应用程序需要处理大量数据，以集中方式调节智能物质的行为将非常具有挑战性。因此，需要在物质层面直接实施新的方法和计算范式。智能物质本身与环境相互作用，自我调节其行为，甚至从它接收到的输入中学习。
　　对于智能物质的设计，来自大自然的灵感：自下而上的组装是大自然实现材料性能优于其单个组成单元性能的方式。我们可以使用增加功能性和复杂性的概念以分层方式定义人造物质的智能。
　　响应性物质能够响应外部刺激（例如光、电流或力）而改变其特性（形状、颜色、刚度等）。适应性物质具有处理内部反馈的内在能力，不仅可以改变其特性，还可根据不同的环境和刺激来调节它们。超越适应性物质最终将促进我们称之为智能物质的发展。智能物质能够与其环境相互作用，从它接收到的输入中学习并自我调节其行为。
　　图1：从结构物质到智能物质的概念转变，以及相应的例子。（来源：论文）
　　智能物质包括四个功能元素：传感器、执行器、网络和长期记忆。智能物质由内部网络中的嵌入式传感器、执行器和信号通路以及物质内部的长期记忆组成，并表现出最高水平的复杂性和功能性。
　　图2：智能物质包括四个功能元素。（来源：论文）
　　该论文概述了这几类功能物质的发展轨迹，给出了具有不同功能程度的复杂系统的例子，并展示了智能物质最终发展的最新趋势。
　　基于群的自组织材料（Swarmbased，selforganizedmaterials）
　　复杂行为的一种突出形式依赖于成群结队的大量个体代理的集体互动。模拟群体行为的一个说明性示例是一群小型机器人的交互，每个机器人高约一厘米，能力有限，它们可以排列成复杂的预定义形状（图3a）。个体机器人是响应式代理，仅遵循其编程的个体算法并仅与最近的邻居进行通信。根据我们的定义，整个机器人组不是智能的，而是自适应的。在考虑纳米尺度上的群体行为时，类似的限制仍然存在，因此此类系统构成了自适应物质的示例，如下所述：
　　图3：自主机器人和胶体集群的自适应群行为（图标显示存在四个关键功能元素中的哪一个）。（来源：论文）
　　纳米粒子组件
　　在自组装材料系统中，弱耦合和高动态组件之间的局部通信以粒子粒子相互作用的形式发生。例如：顺磁性纳米粒子在振荡磁场中形成一个移动的微群。外部程序员可以改变领域，这样自适应群体就可以分裂并绕过障碍物（图3b）。这些形状适应依赖于操纵磁场的外部程序员的输入，粒子本身不会表现出智能行为。
　　胶体颗粒同样为具有自组织特性的材料系统提供了有希望的构建块。例如：一组趋光性TiO2胶体，通过产生集体扩散泳斥力来协同运输更大的颗粒。这种排斥是由外部程序员通过紫外线脉冲控制的，这使它成为一个自适应群（图3c）。
　　高分子材料
　　在合成分子系统中已经报道了有趣的适应性行为，其中反馈来自反应网络和耦合的分子间相互作用。毫无疑问，通信发生在各个组件之间，并且从感知到的信息中得出适当的动作，表明反馈。然而，缺乏物质记忆，这阻碍了从过去的事件中学习并根据图1所示的概念以智能方式适应行为。
　　软物质的实现
　　柔软度、弹性和顺应性是生物系统的重要特征，它们能够持续变形，从而在拥挤的环境中实现平稳运动。软机器人领域旨在将这些特性转化为软物质实现。
　　尽管在软物质中完全集成所有四个关键功能元素仍然难以实现，但已经实现了结合至少两个功能元素的软物质。
　　响应式软物质（Responsivesoftmatter）
　　软物质可以通过传感元件接收来自环境的输入，并通过嵌入式执行器提供直接响应，这是将其归类为响应性物质的基本要求。最常见的驱动是形状和柔软度作为输入函数的变化。例如：由有机硅弹性体基质组成的自给式人造肌肉，其中的驱动依赖于嵌入的乙醇微泡在加热时的液相气相转变。另一种实现软机器人宏观机械操作的方法是基于DNA杂交诱导双交联的响应水凝胶。同样，可3D打印的光响应形状记忆复合材料会根据光改变其3D形式，并有望实现多种应用。所有三个例子都没有展示网络通路，也没有展示记忆元件来存储关于过强或过弱的驱动力的反馈信息。
　　为传感器、执行器或存储器提供所需电源的自供电能力对于设备的成功至关重要。使用嵌入式驱动来响应外部输入来自发电是一种极具吸引力的方法。
　　具有嵌入式存储器的软物质
　　另一类功能性软物质将物质内记忆与传感能力相结合。虽然此类物质缺乏网络，不会被归类为自适应物质，但它超出了响应能力。
　　自愈（Selfhealing）是一种重要的特性，它使材料在受到干扰断裂后永久恢复其原始特性，并且是一种消除过去受伤记忆的方式。
　　图4：响应式软物质和具有嵌入式存储器功能的软物质。（来源：论文）
　　能够条件反射学习所需的新反应的材料是非常有前途的。在这种材料中，对先前中性刺激的学习反应仅限于一个刺激，它遵循与最初已知刺激相同的途径。因此，行为是在有限的参数范围内通过算法编程的，并且不允许对任意输入的响应进行调节，这将构成智能行为。
　　自适应软物质
　　除了自适应软物质的响应示例之外，He等人展示了一种创建自主稳态材料的策略，除了传感和驱动外，还包括精确定制的化学机械化学反馈回路（即网络）。
　　图5：具有稳态特性和酶动力运动的适应性软材料。（来源：论文）
　　自适应软物质的另一种实现是由反应网络耦合的传感和驱动的组合。Garrad等人展示了一个用于模拟和数字计算的集成软物质计算系统，它能够实现自适应、顺从的机器人。
　　固态物质的实现
　　虽然合成物质中的传感和驱动可以使用自组织和软材料实现，但实现基于物质的信息处理似乎更具挑战性。而固态材料中的信息处理技术要先进得多。事实上，物理和化学过程本身可以被认为是一种计算形式。尽管传统计算机是由物理设备（例如晶体管）构建的，但它们基于计算的符号概念（即，电压是低于还是高于某个阈值）。非常规计算超越了标准计算模型。特别是生物体，可以被视为非常规的计算系统。仔细观察自然产生的复杂有机体，可以发现信息处理的工作流程直接建立在物理原理上。因此，Feynman和Yoshihito建议使用物质本身进行计算。正如Feynman所说：为什么需要无限量的逻辑才能弄清楚一小块时空会做什么？可编程和高度互联的网络特别适合执行这些任务，而受脑启发或神经形态的硬件旨在提供物理实现。
　　尽管在半导体行业自上而下的制造中，使用已建立的（无机）材料，已经启用了神经形态硬件（例如，IBM的TrueNorth和谷歌的张量处理单元），但自下而上的利用纳米材料的方法可能会提供通往非常规、高效计算的途径。结合上述物质实现，混合方法可能最终导致智能物质的实现。
　　神经形态材料
　　相变材料是大脑启发或神经形态硬件的关键推动因素，允许在人工神经网络中实现人工神经元和突触。
　　此外，二维（2D）材料，如石墨烯、MoS2、WSe2或六方氮化硼（hBN），已经出现在神经形态器件的实现中，从而可以设计紧凑的人工神经网络。它们由单个原子层组成，表现出与三维对应物不同的独特物理特性。当各种2D晶体堆叠在一起时，它们会构建所谓的范德瓦尔斯（vanderWaals）异质结构，这使得人造材料和设备具有柔性（图5c）。
　　图6：堆叠成范德瓦尔斯异质结构的二维材料的示意图和透射电子显微镜图像。（来源：论文）
　　使用材料学习，在无序纳米材料网络中通过实验实现了计算功能。最近的研究揭示了利用物质的内在物理特性来实现纳米级高效计算的潜力。合理的下一步应该是让这些系统独立运行，并允许它们自我调整潜在的环境以解决计算问题。为了实现这样的智能系统，应该引入记忆元素。
　　分布式神经形态系统
　　在神经形态系统中，信息处理和记忆是共同定位的，这将它们与传统的冯诺依曼架构（vonNeumannarchitectures）严格区分开来。可以设想进一步合并各个组件，即将信息的计算（预）处理和存储与传感和驱动部分整合到一个处理连续体中，这将使模拟整个人类神经的分布式神经形态系统的实现成为可能。这种网络架构既需要非常规的处理设计，也需要各个组件之间的有效信号通路。有希望的候选者是光学神经网络模型，因为光本身可以通过与物质相互作用或干扰自身来进行计算，而无需预定义的路径。此外，与电子产品相比，它们允许以光速（在介质中）进行数据处理，并且功耗极低。
　　前馈人工神经网络无法处理依赖于时间的输入，而循环神经网络则可以。然而，循环神经网络在计算上非常昂贵，因此仅适用于小型网络。储层计算（reservoircomputing）提供了一种解决方案，该术语涵盖了三种独立开发的用于创建和训练循环神经网络的方法：回声状态网络、液态状态机（liquidstatemachines）和反向传播去相关在线学习规则。与其他神经网络方法相比，学习相对快速有效。
　　动态系统中的实现包括电子电路、大肠杆菌的基因调控网络、DNA库计算和猫的初级视觉皮层。此外，在使用延迟线、忆阻器装置、原子开关网络以及碳纳米管系统的光学系统中进行了储层计算的演示。
　　图7：具有输入u（n）和控制电压Vk的基于碳纳米管的储层计算机的示意图。（来源：论文）
　　每个以物质为基础的储层往往都有其自身的物理问题。对于忆阻交叉阵列，忆阻器的变化被认为是一个常见问题。或者，所使用的储层模型存在潜在的缺陷，不同的材料配置可能具有非常不同的储层性能。
　　展望和观点
　　未来挑战：
　　未来的挑战在于开发制造、升级和控制智能物质的有效方法。智能物质必须包含具有相当程度的构象自由度、移动性和纳米级成分交换的动态材料。这意味着纳米级组件之间的相互作用必须足够弱才能被外部刺激操纵。智能物质必须表现出一定程度的纳米级成分的内部组织，以便嵌入反馈和长期记忆。为了充分接收和传输外部输入，需要具有空间和时间精度的可寻址性。
　　这些要求在很大程度上是相互矛盾的，并且可能不相容。显然，智能物质的关键元素更容易在不同的材料类型中单独实现，这可能与其他材料不兼容。我们期望混合解决方案将解决不兼容性方面的挑战。
　　显然，这里强调的所有例子都没有表现出感知信息、存储信息并从中学习以表达适应性行动和行为的智能。那么，通往智能物质的路线图会是什么样子呢？首先，需要演示者和设计规则，通过集成纳米级构建块来开发具有固有反馈途径的自适应物质，这些构建块能够实现自组装和自上而下制造的纳米结构的可重构性和适应性。其次，我们必须从能够处理反馈的自适应物质发展为具有学习能力的物质（学习物质）。这些材料将通过嵌入式存储器功能、基于材料的学习算法和传感接口来增强。第三，我们必须从学习物质发展为真正的智能物质，它通过感官接口接收来自环境的输入，显示出通过嵌入式记忆和人工网络编码的期望响应，并且可以通过嵌入式传感器对外部刺激做出响应。
　　因此，智能物质的发展需要协同的、跨学科的和长期的研究工作。
　　最终，考虑到整体性能是组件和连接的集体反应，需要完整的系统级演示来加快智能物质的使用。可以预见智能物质的各种技术应用，与现有人工智能和神经形态硬件的协同集成将特别有吸引力。在这方面，生命科学和生物控制论有机体中的应用也需要生物兼容的实现。
　　论文链接：https：www。nature。comarticless4158602103453y