然而随着计算机算力的不断提升，计算机的AI计算已经与人脑有了本质的区别：与人类大脑相比，AI通过在大数据中寻找模型规律的能力是人类大脑远不能及的。
但是人类的大脑显然不相信「大力出奇迹」，并且大脑处理的信息往往都是稀疏、复杂而且时时都在剧烈变化的。
这也是如今不少AI科学家们梦寐以求的特性。最近，来自悉尼大学和日本国家材料科学研究所的科学家们在自然通讯上发表论文，试着通过使用纳米线网络（NWN）来模拟人类大脑在受到电激时的反应，实验效果还不错。
所谓纳米线网络是由一堆平均长度不超过10微米，直径不超过500纳米的银纳米团随机铺在晶圆上，并且在上面覆盖一层约1纳米厚的绝缘聚合物。
与传统的集成电路不同的是，当电流流经网络时，将引起银离子在聚合物中迁徙，从而在流经不同的类似突触结构时，便会产生与人类大脑类似的反应。
这也为从微观物理结构角度来解释大脑的工作原理打下了基础。
研究团队的最新结果表明，将纳米线网络保持在一个类似「混沌边缘」的状态，在处理任务时可以获得相当高效而且理想的结果。
这似乎为人工智能计算打开了新的大门。
纳米线网络模型
研究人员利用含有PVP涂层的自组装银纳米线形成高度无序、复杂的网络拓扑。NWN作为一种神经形态设备，在整个网络的固定电极位置之间应用偏压操作。
为了更深入地了解神经形态动力学，研究人员开发了一个物理驱动的 Ag PVP NWN 计算模型。
图a. 自组装银纳米线光学显微镜图像（1:100微米）
图c. Gjn对∣Λ∣的非线性相关性，即产生类似开关的交界动态
当 0 ≤ ∣Λ∣
图a. 初始不活动的 NWN（所有交界处 Λ = 0）的 DC 激活曲线
图b. NWN 的快照可视化，显示第一传输通路的形成，对应到最短路径长度 n。
图c. 稳态网络电导
该部分的研究结果表明，NWN能够自适应地响应外部驱动，并且可以在双稳态（LCS和HCS）之间进行一阶相变。这些全局网络动态状态源于节点之间的循环连接及其切换状态。
节点切换驱动非本地传输
根据基尔霍夫定律（KVL），所有进入某节点的电流总和等于所有离开这节点的电流总和；沿着闭合回路所有元件两端的电压的代数和等于零。
经过一系列交汇点的切换，实验结果表明，传输通路的出现是因为复杂网络拓扑结构和忆阻连接点切换之间产生的耦合。当连接点过渡到导电状态时，会引发级联活动，自适应地重新将电压分配到周围。
雪崩开关动力学
研究团队发现，在神经元群和其他神经形态系统中，具有无标度大小和生命周期事件统计数据的雪崩，这是临界动力学的一个标志。
通过改变远离阈值Vth的驱动电压强度，雪崩分布开始偏离幂律。
当V*