一种称为星形胶质细胞的脑细胞，可以在硬件设备的物理学中进行模拟，可能会导致人工智能 (AI) 和机器学习能够自主自我修复，并且比目前的技术消耗更少的能量。

星形胶质细胞以其星形命名，是一种神经胶质细胞，是大脑神经元的支持细胞。它们在记忆、学习、自我修复和同步等大脑功能中起着至关重要的作用。

这个项目源于最近在计算神经科学领域的观察，因为人们对大脑如何工作有很多努力和理解，人们正试图修改简单化的神经元 - 突触连接模型，事实证明，大脑中有第三种成分，星形胶质细胞，它构成了大脑细胞的重要部分，但它在机器学习和神经科学中的作用被忽视了。

与此同时，人工智能和机器学习领域正在蓬勃发展，预计到 2025 年，对人工智能和机器学习技能的需求，将以 71% 的复合增长率增长. 然而，随着这些技术使用的增加，人工智能和机器学习面临着挑战，因为它们消耗大量能源。

人工智能和机器学习的一个经常被低估的问题是这些系统的功耗。几年前，IBM 试图模拟猫的大脑活动，但这样做结束了”最多消耗大约几兆瓦的功率。如果我们只是扩展这个数字以在我们今天拥有的最好的超级计算机上模拟人类的大脑活动，那么功耗甚至会高于兆瓦。

一个潜在的解决方案是神经形态计算，即模拟大脑功能的计算。神经形态计算对研究人员很感兴趣，因为人类大脑已经进化到在其过程中使用的能量比计算机少得多，因此模仿这些功能将使人工智能和机器学习成为一个更节能的过程。

另一种具有神经形态计算潜力的大脑功能是大脑如何自我修复受损的神经元和突触。

星形胶质细胞在自我修复大脑方面起着非常关键的作用，首次提出这些新的设备结构时，可以形成一个原型人工神经形态硬件，这些都以很多硬件级故障为特征。因此，也许可以根据星形胶质细胞如何导致大脑中的自我修复从计算神经科学中获得见解，并使用这些概念可能导致神经形态硬件的自我修复来修复这些故障。

Sengupta 的实验室主要研究自旋电子设备，这是一种通过自旋电子处理信息的电子设备。研究人员通过在设备的内在物理特性中模拟大脑的各种神经突触功能来检查设备的磁性结构以及如何使它们具有神经形态。

时间信息绑定是大脑理解在不同时间发生的不同事件之间的关系，并将这些事件理解为一个序列，这是人工智能和机器学习的重要功能。

研究人员开发了神经科学模型，包括星形胶质细胞的模型，以了解星形胶质细胞功能的哪些方面与他们的研究最相关。他们还开发了潜在自旋电子器件的理论模型。

创造这种节能且具有容错能力，可以为在智能手机等功率受限的设备上完成更复杂的人工智能和机器学习工作打开大门。

人工智能和机器学习每天都在改变我们周围的世界，从智能手机识别朋友和家人的照片，到机器学习对不同类型疾病的医学诊断的巨大影响。与此同时，研究星形胶质细胞，在神经形态计算中可以实现的自我修复和同步功能类型确实处于起步阶段。