Naukowcy z ETH Zurich, Uniwersytetu w Zurychu i Empa opracowali nowy materiał na komponent elektroniczny, który może być wykorzystywany w szerszym zakresie zastosowań 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 zainspirować się projektowaniem innowacyjnych technologii obliczeniowych. Przewidują, że te inspirowane mózgiem systemy komputerowe będą bardziej wydajne energetycznie niż konwencjonalne, a także lepsze w wykonywaniu zadań uczenia maszynowego.
Podobnie jak neurony, 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 uczenia maszynowego.
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, podoktorat ETH. „Ale 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). tryb).
Tak jak w mózgu
„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 zaczynają się silnie, a następnie stopniowo słabną. Z drugiej strony, podczas uczenia się w mózgu tworzą się nowe połączenia synaptyczne z innymi neuronami. Te połączenia są trwalsze.
John, który jest podoktorem w grupie kierowanej przez profesora ETH Maksyma Kovalenko, otrzymał w 2020 roku stypendium ETH dla wybitnych badaczy z tytułem doktora habilitowanego. John prowadził te badania wspólnie z Yiğit Demirağ, doktorantką w grupie prof. Giacomo Indiveri w Instytucie Neuroinformatyki Uniwersytetu w Zurychu i ETH Zurich.
Półprzewodnik znany z ogniw słonecznych
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 jest mediowane przez tymczasowe lub stałe łączenie jonów srebra z elektrody w celu utworzenia nanofilamentu penetrującego strukturę perowskitu, przez który może przepływać prąd” – wyjaśnia Kovalenko.
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 przez memristor: zastosowanie słabego prądu aktywuje tryb ulotny, podczas gdy silny prąd aktywuje tryb nielotny.
Nowy zestaw narzędzi dla neuroinformatyków
„Według naszej wiedzy jest to pierwszy memrystor, który można niezawodnie przełączać między trybami lotnymi i nielotnymi na żądanie” – mówi Demirağ. 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 Communicationscall_made, 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 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.”
Źródło historii:
Materiały dostarczone przez ETH Zurych. Oryginał napisany przez Fabio Bergamina. Uwaga: Treść można edytować pod kątem stylu i długości.