来源：知社学术圈

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？

海市蜃楼是自然界中一种十分有趣的现象。量子海市蜃楼效应（Quantum mirage）是海市蜃楼的量子版本，该效应显示椭圆量子围栏中其中一个焦点所摆放原子的近藤效应能在另一个焦点处被探测到，从而展示了一种在原子尺度下传输信息的可能性，并能对原子和分子性质进行几乎无干扰的远端探测。前人的工作是利用近藤效应来实现量子海市蜃楼，只能在费米能级附近进行探测。这极大地限制了它物理机制的探索和可能应用。南京大学丁海峰课题组新近发现了一种不依赖近藤效应的量子海市蜃楼效应，该效应不再局限于费米能级附近，而是能够在较宽的能量范围内进行探测。在此基础上揭示了量子海市蜃楼的物理机制并构建了基本逻辑门。

结合系统的实验探究和解析模型，该研究揭示了量子海市蜃楼的形成机制，表明量子海市蜃楼是由椭圆量子围栏的一个没有放置原子的焦点的电子波函数与经过围栏和放置在另一焦点处的原子反射回来的波函数相干叠加的结果。

在此基础上还进一步通过对量子海市蜃楼的精密调控实现了基本逻辑操纵，如逻辑非门，扇出门和或门等。图1展示了逻辑非门。与量子海市蜃楼中利用量子相干叠加中相干增强的原理不同，逻辑非门的设计是基于量子相干叠加中的相干相消。当在椭圆的左焦点中放置原子时（输入为“1”，形貌图如图1a所示），相干相消使得输出的信号（如图1b所示，右焦点的dI/dV强度）减弱，形成信号为“0”的输出，而当左焦点处未放置原子时（输入为“0”，形貌图如图1c所示），形成信号为“1”的输出（如图1d所示），从而形成逻辑非门。

图1。逻辑非门（NOT gate）：（a）在椭圆量子围栏左焦点放置1个Fe原子的形貌图。（b）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”。（c）在椭圆左焦点处为空置的形貌图。（d）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（NOT gate）：（a）在椭圆量子围栏左焦点放置1个Fe原子的形貌图。（b）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”。（c）在椭圆左焦点处为空置的形貌图。（d）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”。

一个椭圆仅有两个焦点，而逻辑们的输入输出端通常不仅两个。为了解决这一问题，研究者设计了一种特殊的共焦椭圆，如图2a所示，将两个椭圆量子围栏的其中一个焦点重合，形成共焦椭圆。图2展示的是逻辑扇出门，将共焦椭圆中的共同焦点作为输入端（A），其余两个焦点作为输出端（B和C）。可以看出当输入端（A）处没有原子时，输出端（B和C）具有很低的dI/dV输出信号（输出为“0”）。而当在输入端（A）处放置一个原子时，输出端（B和C）能够得到很强的扫描隧道谱输出信号（输出为“1”）。当将输入端和输出端交换时，也能够实现逻辑或门。

图2。逻辑扇出门（FANOUT gate）。（a）共焦椭圆形貌图。（b）相应的在34 mV下的dI/dV谱图。（c）在共焦椭圆共同焦点处放置一个Fe原子的形貌图。（d）与之对应的在34 mV下的dI/dV谱图。输入为共同焦点（A）处的原子占据与否（1或0），输出为其它两个焦点（B和C）处的dI/dV值高低（1或0）。

图2。逻辑扇出门（FANOUT gate）。（a）共焦椭圆形貌图。（b）相应的在34 mV下的dI/dV谱图。（c）在共焦椭圆共同焦点处放置一个Fe原子的形貌图。（d）与之对应的在34 mV下的dI/dV谱图。输入为共同焦点（A）处的原子占据与否（1或0），输出为其它两个焦点（B和C）处的dI/dV值高低（1或0）。

该工作以“Kondo free mirages in elliptical quantum corrals”为题在线发表在3月16日的《自然通讯》上。

该工作得到了人工微结构科学与技术协同创新中心、固体微结构物理国家重点实验室、国家自然科学基金、科技部重点研发计划、中国博士后科学基金、江苏省自然科学基金的经费资助。

一种拥有嗅觉的算法

今天，科研人员在《Nature·Machine Intelligence》发表了一项研究，报告了一种用来模拟生物嗅觉的神经算法。该成果或将有助于人工智能鼻子的训练，使其在混有未知气味的情况下也能识别出特定气味。该工作由康奈尔大学心理系计算生理学实验室的Thomas Cleland教授以及旧金山英特尔神经形态计算实验室的Nbil Imam教授共同领衔完成。

众所周知，神经形态芯片是能够模仿人类大脑理解、行动和认知能力的计算机器。不同于数字芯片，它可以像现实世界一样得出各种不同的结果，可以模拟人脑神经元和突触的电子活动。神经芯片技术为研究神经元和脑的高级功能搭建了新的平台，也在人工智能领域开辟了一条崭新的研究进路。

一言以蔽之，用人工神经元及其所构成的网络来解决现实问题，是神经形态芯片的理想目标之一。而探索能够在生物神经回路层面完美实现的算法，是该领域有待攻克的关隘之一。而在本次研究中，研究人员报告了一种基于哺乳动物嗅觉系统的神经算法，可以学习并鉴别气味样本。该算法在一个神经形态系统中得到了实现，研究人员利用甲苯、氨、丙酮、一氧化碳和甲烷等气体对其进行了样本训练。研究结果揭示了有助于理解哺乳动物嗅觉以及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

本研究非常重要的一个意义在于，它是基于嗅觉信息处理的神经算法。要知道，目前人们最成功的人工智能领域最为成熟的系统，是从图像信息处理发展起来的算法。它通常直接或间接地以视觉系统为基础进行信息处理，配合大量计算能力与可观的训练数据集，在图像检测、人像识别、围棋等领域取得了杰出的成就。

但是，这套最成熟的系统在一些复杂问题领域仍然相当乏力，比如说时下大热的自动驾驶领域。人工智能在面临陌生环境进行导航时，周边环境将不断变化，且充满噪音与模糊性因素。而受到视觉系统启发的深度学习技术由于应对策略过于单一，无法胜任这一复杂的任务。

科学家认为，大脑可能会使用多种不同的策略来处理不同类型的数据，除了研究视觉系统如何运作之外，研究人员或许还有很多其它领域需要探索。基于嗅觉的算法就这样进入了人们的视野。

嗅觉是一种古老的系统，其历史可以追溯到细菌生物对化学物质的感受，且所有生物都会利用某种形式的嗅觉探索周边环境。嗅觉系统在结构上与生物大脑内的其它区域表现出惊人的相似度，特别是与记忆联系密切的海马体、负责运动控制的小脑等。从这个全新的出发点汲取算法灵感，无疑能够使人们更好地理解有机体如何处理化学信息，发现更优秀的人工智能编码策略。

视觉信息和嗅觉信息之间差别是相当大的。当下的机器学习技术由于直接或间接的受视觉系统模拟结构启发，普遍采取了对视觉信息进行分层摄取的方法。当视觉层接收到视觉信息时，会依据边缘、纹理、颜色等与空间映射相关的元素，然后将其在神经元中进行层际传递，一起形成一个抽象表达。

但是，嗅觉信息却与视觉完全不同，它是由不同成分和不同浓度构成的混合信息，是非结构化的。由于不具备明显的界限，很难对它们进行直接的分类，因此在识别的时候，很难确定应该去关注哪些特征。这种迥然相异的特征迫使科学家们去寻找一种全新的算法结构。

以‘仿’为开端

基于嗅觉的神经网络算法，固然提供了一个完全不同于主流算法的研究向度。但是，面对这样一个全新的方向该如何着手，又成为了一个难题。于是，人们又把目光投向了大自然现有的馈赠上来。于是以‘仿生’为目的的神经网络算法也就自然而然地将‘仿’作为了开端。

2017年，尼日利亚有研究人员称，通过对小鼠的神经元进行改造，创造出了神经形态芯片Koniku Kore，它是世界首个具有嗅觉并可以识别爆炸物等气味的芯片。研究人员介绍，该芯片是活体神经和硅的混合物，它使用了小鼠的神经元进行构建。他们预测技术前景时称，在未来，该芯片通过气味训练将可以用来检测挥发性化学物质、爆炸物甚至是癌症等疾病的气味，使机器人替代执行安检、排爆等工作。

芯片Koniku Kore创造者Oshiorenoya Agabi

芯片Koniku Kore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，开发出了一种基于飞蝇的嗅觉回路算法，并它能希望改善机器学习技术在相似搜索与新型检测任务中的表现。飞蝇趋近成熟水果的味道，而远离醋酸等刺激性气味的来源。但它所处的环境却是复杂而充满干扰因素的，因此遇到的气味不可能完全相同。但飞蝇一遇到新的气味，便会据此回忆起其此前遇到过的最相似的气味，从而做出反应。Navlakha与其团队受到启发，决心从中找出一种以嗅觉激发尔3的相似性搜索方式。

神经形态芯片正在模糊芯片和生物系统之间的界限。而这在发轫之始的嗅觉算法领域表现得尤为明显。目前IMB、HRL实验室、高通等科技巨头都投入了相当大的精力在神经形态芯片方面，相信其发展速度也会极其可观。

量子的海市蜃楼，和机器学习的嗅觉