來源：知社學術圈

量子世界的海市蜃樓，和機器算法的嗅覺，哪一個更加魔幻呢？

海市蜃樓是自然界中一種十分有趣的現象。量子海市蜃樓效應（Quantum mirage）是海市蜃樓的量子版本，該效應顯示橢圓量子圍欄中其中一個焦點所擺放原子的近藤效應能在另一個焦點處被探測到，從而展示了一種在原子尺度下傳輸信息的可能性，並能對原子和分子性質進行幾乎無干擾的遠端探測。前人的工作是利用近藤效應來實現量子海市蜃樓，只能在費米能級附近進行探測。這極大地限制了它物理機制的探索和可能應用。南京大學丁海峯課題組新近發現了一種不依賴近藤效應的量子海市蜃樓效應，該效應不再侷限於費米能級附近，而是能夠在較寬的能量範圍內進行探測。在此基礎上揭示了量子海市蜃樓的物理機制並構建了基本邏輯門。

結合系統的實驗探究和解析模型，該研究揭示了量子海市蜃樓的形成機制，表明量子海市蜃樓是由橢圓量子圍欄的一個沒有放置原子的焦點的電子波函數與經過圍欄和放置在另一焦點處的原子反射回來的波函數相干疊加的結果。

在此基礎上還進一步通過對量子海市蜃樓的精密調控實現了基本邏輯操縱，如邏輯非門，扇出門和或門等。圖1展示了邏輯非門。與量子海市蜃樓中利用量子相干疊加中相干增強的原理不同，邏輯非門的設計是基於量子相干疊加中的相干相消。當在橢圓的左焦點中放置原子時（輸入爲“1”，形貌圖如圖1a所示），相干相消使得輸出的信號（如圖1b所示，右焦點的dI/dV強度）減弱，形成信號爲“0”的輸出，而當左焦點處未放置原子時（輸入爲“0”，形貌圖如圖1c所示），形成信號爲“1”的輸出（如圖1d所示），從而形成邏輯非門。

　　圖1。邏輯非門（NOT gate）： （a） 在橢圓量子圍欄左焦點放置1個Fe原子的形貌圖。（b） 相應的在39 mV下的dI/dV譜圖，在右焦點處，相干相消使得輸出信號爲“0”。（c） 在橢圓左焦點處爲空置的形貌圖。（d） 相應的在39 mV下的dI/dV譜圖，右焦點處出現強的信號，輸出爲“1”。

一個橢圓僅有兩個焦點，而邏輯們的輸入輸出端通常不僅兩個。爲了解決這一問題，研究者設計了一種特殊的共焦橢圓，如圖2a所示，將兩個橢圓量子圍欄的其中一個焦點重合，形成共焦橢圓。圖2展示的是邏輯扇出門，將共焦橢圓中的共同焦點作爲輸入端（A），其餘兩個焦點作爲輸出端（B和C）。可以看出當輸入端（A）處沒有原子時，輸出端（B和C）具有很低的dI/dV輸出信號（輸出爲“0”）。而當在輸入端（A）處放置一個原子時，輸出端（B和C）能夠得到很強的掃描隧道譜輸出信號（輸出爲“1”）。當將輸入端和輸出端交換時，也能夠實現邏輯或門。

　　圖2。 邏輯扇出門（FANOUT gate）。（a） 共焦橢圓形貌圖。（b） 相應的在34 mV下的dI/dV譜圖。（c）在共焦橢圓共同焦點處放置一個Fe原子的形貌圖。（d） 與之對應的在34 mV下的dI/dV譜圖。輸入爲共同焦點（A）處的原子佔據與否（1或0），輸出爲其它兩個焦點（B和C）處的dI/dV值高低（1或0）。

該工作以“Kondo free mirages in elliptical quantum corrals”爲題在線發表在3月16日的《自然通訊》上。

該工作得到了人工微結構科學與技術協同創新中心、固體微結構物理國家重點實驗室、國家自然科學基金、科技部重點研發計劃、中國博士後科學基金、江蘇省自然科學基金的經費資助。

文章鏈接：

Doi：https：//www.doi.org/10.1038/s41467-020-15137-8

一種擁有嗅覺的算法

今天，科研人員在《Nature·Machine Intelligence》發表了一項研究，報告了一種用來模擬生物嗅覺的神經算法。該成果或將有助於人工智能鼻子的訓練，使其在混有未知氣味的情況下也能識別出特定氣味。該工作由康奈爾大學心理系計算生理學實驗室的Thomas Cleland教授以及舊金山英特爾神經形態計算實驗室的Nbil Imam教授共同領銜完成。

衆所周知，神經形態芯片是能夠模仿人類大腦理解、行動和認知能力的計算機器。不同於數字芯片，它可以像現實世界一樣得出各種不同的結果，可以模擬人腦神經元和突觸的電子活動。神經芯片技術爲研究神經元和腦的高級功能搭建了新的平臺，也在人工智能領域開闢了一條嶄新的研究進路。

一言以蔽之，用人工神經元及其所構成的網絡來解決現實問題，是神經形態芯片的理想目標之一。而探索能夠在生物神經迴路層面完美實現的算法，是該領域有待攻克的關隘之一。而在本次研究中，研究人員報告了一種基於哺乳動物嗅覺系統的神經算法，可以學習並鑑別氣味樣本。該算法在一個神經形態系統中得到了實現，研究人員利用甲苯、氨、丙酮、一氧化碳和甲烷等氣體對其進行了樣本訓練。研究結果揭示了有助於理解哺乳動物嗅覺以及改進人工化學感知系統的計算特徵。

基於嗅覺的神經網絡算法

本研究非常重要的一個意義在於，它是基於嗅覺信息處理的神經算法。要知道，目前人們最成功的人工智能領域最爲成熟的系統，是從圖像信息處理發展起來的算法。它通常直接或間接地以視覺系統爲基礎進行信息處理，配合大量計算能力與可觀的訓練數據集，在圖像檢測、人像識別、圍棋等領域取得了傑出的成就。

但是，這套最成熟的系統在一些複雜問題領域仍然相當乏力，比如說時下大熱的自動駕駛領域。人工智能在面臨陌生環境進行導航時，周邊環境將不斷變化，且充滿噪音與模糊性因素。而受到視覺系統啓發的深度學習技術由於應對策略過於單一，無法勝任這一複雜的任務。

科學家認爲，大腦可能會使用多種不同的策略來處理不同類型的數據，除了研究視覺系統如何運作之外，研究人員或許還有很多其它領域需要探索。基於嗅覺的算法就這樣進入了人們的視野。

嗅覺是一種古老的系統，其歷史可以追溯到細菌生物對化學物質的感受，且所有生物都會利用某種形式的嗅覺探索周邊環境。嗅覺系統在結構上與生物大腦內的其它區域表現出驚人的相似度，特別是與記憶聯繫密切的海馬體、負責運動控制的小腦等。從這個全新的出發點汲取算法靈感，無疑能夠使人們更好地理解有機體如何處理化學信息，發現更優秀的人工智能編碼策略。

視覺信息和嗅覺信息之間差別是相當大的。當下的機器學習技術由於直接或間接的受視覺系統模擬結構啓發，普遍採取了對視覺信息進行分層攝取的方法。當視覺層接收到視覺信息時，會依據邊緣、紋理、顏色等與空間映射相關的元素，然後將其在神經元中進行層際傳遞，一起形成一個抽象表達。

但是，嗅覺信息卻與視覺完全不同，它是由不同成分和不同濃度構成的混合信息，是非結構化的。由於不具備明顯的界限，很難對它們進行直接的分類，因此在識別的時候，很難確定應該去關注哪些特徵。這種迥然相異的特徵迫使科學家們去尋找一種全新的算法結構。

以‘仿’爲開端

基於嗅覺的神經網絡算法，固然提供了一個完全不同於主流算法的研究向度。但是，面對這樣一個全新的方向該如何着手，又成爲了一個難題。於是，人們又把目光投向了大自然現有的饋贈上來。於是以‘仿生’爲目的的神經網絡算法也就自然而然地將‘仿’作爲了開端。

2017年，尼日利亞有研究人員稱，通過對小鼠的神經元進行改造，創造出了神經形態芯片Koniku Kore，它是世界首個具有嗅覺並可以識別爆炸物等氣味的芯片。研究人員介紹，該芯片是活體神經和硅的混合物，它使用了小鼠的神經元進行構建。他們預測技術前景時稱，在未來，該芯片通過氣味訓練將可以用來檢測揮發性化學物質、爆炸物甚至是癌症等疾病的氣味，使機器人替代執行安檢、排爆等工作。

芯片Koniku Kore創造者Oshiorenoya Agabi

在另一項研究中，索爾克生物研究所的計算機科學家Saket Navlakha，開發出了一種基於飛蠅的嗅覺迴路算法，並它能希望改善機器學習技術在相似搜索與新型檢測任務中的表現。飛蠅趨近成熟水果的味道，而遠離醋酸等刺激性氣味的來源。但它所處的環境卻是複雜而充滿干擾因素的，因此遇到的氣味不可能完全相同。但飛蠅一遇到新的氣味，便會據此回憶起其此前遇到過的最相似的氣味，從而做出反應。Navlakha與其團隊受到啓發，決心從中找出一種以嗅覺激發爾3的相似性搜索方式。

神經形態芯片正在模糊芯片和生物系統之間的界限。而這在發軔之始的嗅覺算法領域表現得尤爲明顯。目前IMB、HRL實驗室、高通等科技巨頭都投入了相當大的精力在神經形態芯片方面，相信其發展速度也會極其可觀。