Naukowcy z ETH Zurich, Uniwersytetu w Zurychu i Empa opracowali nowy materiał na komponent elektroniczny, który może być wykorzystywany w szerszym zakresie niż jego poprzednicy. Takie komponenty pomogą w tworzeniu obwodów elektronicznych, które naśladują ludzki mózg i są bardziej wydajne w wykonywaniu zadań uczenia maszynowego.
W porównaniu z komputerami ludzki mózg jest niezwykle wydajny energetycznie. Dlatego naukowcy czerpią inspirację z tego, jak funkcjonuje mózg i połączone z nim neurony, aby wykorzystać zdobytą wiedzę w projektowaniu innowacyjnych technologii komputerowych. Przewidują, że te inspirowane mózgiem systemy komputerowe będą bardziej energooszczędne niż konwencjonalne, a także będą lepiej wykonywać zadania uczenia maszynowego.
Obserwując pracę neuronów mózgowych, które są odpowiedzialne zarówno za przechowywanie, jak i przetwarzanie danych w mózgu, naukowcy chcą połączyć przechowywanie i przetwarzanie w jednym typie komponentu elektronicznego, znanym jako memrystor. Mają nadzieję, że pomoże to osiągnąć większą wydajność, ponieważ przenoszenie danych między procesorem a pamięcią masową, tak jak robią to konwencjonalne komputery, jest głównym powodem wysokiego zużycia energii w zastosowaniach sztucznej inteligencji.
Naukowcy z ETH Zurich, Uniwersytetu w Zurychu i Empa opracowali teraz innowacyjną koncepcję memrystora, który może być używany w znacznie szerszym zakresie zastosowań niż istniejące memrystory. „Istnieją różne tryby pracy memrystorów i korzystne jest, aby móc używać wszystkich tych trybów w zależności od architektury sztucznej sieci neuronowej” — wyjaśnia Rohit John, jeden z doktorów ETH.
„Poprzednie, konwencjonalne memrystory musiały być wcześniej skonfigurowane dla jednego z tych trybów”. Nowe memrystory naukowców z Zurychu mogą teraz z łatwością przełączać się między dwoma trybami pracy podczas użytkowania: trybem, w którym sygnał z czasem słabnie i zanika (tryb ulotny), oraz trybem, w którym sygnał pozostaje stały (nieulotny).
„Te dwa tryby działania znajdują się również w ludzkim mózgu” — mówi John. Z jednej strony bodźce w synapsach są przekazywane z neuronu do neuronu za pomocą neuroprzekaźników biochemicznych. Te bodźce początkowo są silne, a następnie stopniowo słabną. Z drugiej strony, podczas uczenia się w mózgu tworzą się nowe połączenia synaptyczne z innymi neuronami. Te połączenia są trwalsze.
Opracowane przez naukowców memrystory są wykonane z halogenkowych nanokryształów perowskitu, materiału półprzewodnikowego znanego przede wszystkim z zastosowania w ogniwach fotowoltaicznych. „Przewodnictwo nerwowe” w tych nowych memrystorach pośredniczy w tymczasowym lub stałym łączenie jonów srebra z elektrody w celu utworzenia nanofilamentu penetrującego strukturę perowskitu, przez który może przepływać prąd” – wyjaśnia Kovalenko, profesor i kierownik grupy naukowej, do której należy Rohit John.
Proces ten można regulować tak, aby włókno jonów srebra było albo cienkie, aby stopniowo rozpadło się z powrotem na pojedyncze jony srebra (tryb lotny), albo grube i trwałe (tryb nielotny). Jest to kontrolowane przez natężenie prądu przewodzonego na memrystorze: przyłożenie słabego prądu aktywuje tryb ulotny, podczas gdy silny prąd aktywuje tryb nieulotny.
„Według naszej wiedzy jest to pierwszy memrystor, który można niezawodnie przełączać między trybami ulotnymi i nieulotnymi na żądanie”. Oznacza to, że w przyszłości chipy komputerowe będą mogły być produkowane z memrystorami, które umożliwiają korzystanie z obu trybów. Jest to znaczący postęp, ponieważ zwykle nie jest możliwe połączenie kilku różnych typów memrystorów na jednym chipie.
W ramach badań, które opublikowali w czasopiśmie Nature Communications, naukowcy przetestowali 25 z tych nowych memrystorów i przeprowadzili z nimi 20,000 pomiarów. W ten sposób byli w stanie zasymulować problem obliczeniowy w złożonej sieci. Problem polegał na zaklasyfikowaniu kilku różnych impulsów neuronowych jako jednego z czterech predefiniowanych wzorców.
Zanim te memrystory będą mogły być wykorzystane w technologii komputerowej, będą musiały przejść dalszą optymalizację. Jednak takie komponenty są również ważne dla badań w neuroinformatyce, jak wskazuje Indiveri: „Te komponenty zbliżają się do prawdziwych neuronów zdecydowanie szybciej niż poprzednie. W rezultacie pomagają naukowcom lepiej testować hipotezy w neuroinformatyce i, miejmy nadzieję, lepiej zrozumieć zasady obliczeniowe prawdziwych obwodów neuronalnych u ludzi i zwierząt”.
Na podst. technology.org; ETH Zurych
Adrian Pluta
E-mail: Ten adres pocztowy jest chroniony przed spamowaniem. Aby go zobaczyć, konieczne jest włączenie w przeglądarce obsługi JavaScript.
