Tranzystor synaptyczny odzwierciedla funkcję ludzkiego mózgu

streszczenie: Naukowcy opracowali przełomowy tranzystor synaptyczny inspirowany ludzkim mózgiem. Urządzenie to może jednocześnie przetwarzać i przechowywać informacje, symulując zdolność mózgu do myślenia na wyższym poziomie.

W przeciwieństwie do poprzednich urządzeń komputerowych przypominających mózg, tranzystor ten pozostaje stabilny w temperaturze pokojowej, działa wydajnie, zużywa minimalną energię i zachowuje zapisane informacje nawet po wyłączeniu, dzięki czemu nadaje się do rzeczywistych zastosowań.

Badanie stanowi poważny krok naprzód w tworzeniu systemów sztucznej inteligencji charakteryzujących się większą efektywnością energetyczną i zaawansowanymi funkcjami poznawczymi.

Kluczowe fakty:

1. Splątany tranzystor łączy w sobie dwa atomowo cienkie materiały, dwuwarstwowy grafen i sześciokątny azotek boru, tworząc wzór mory, aby osiągnąć funkcję neuromorficzną.
2. Rozpoznaje wzorce i demonstruje uczenie się skojarzeniowe, formę poznania na wyższym poziomie, nawet przy niedoskonałym wejściu.
3. Technologia ta stanowi poważne odejście od tradycyjnych obliczeń opartych na tranzystorach, a jej celem jest poprawa efektywności energetycznej i możliwości przetwarzania na potrzeby zadań związanych ze sztuczną inteligencją i uczeniem maszynowym.

źródło: Uniwersytet Północno-Zachodni

Zainspirowani ludzkim mózgiem naukowcy opracowali nowy tranzystor synaptyczny zdolny do myślenia na wyższym poziomie.

Zaprojektowane przez naukowców z Northwestern University, Boston College i Massachusetts Institute of Technology (MIT), urządzenie jednocześnie przetwarza i przechowuje informacje tak samo jak ludzki mózg. W nowych eksperymentach naukowcy wykazali, że tranzystor wykracza poza proste zadania uczenia maszynowego i obejmuje klasyfikację danych i jest w stanie przeprowadzać uczenie się asocjacyjne.

Chociaż w poprzednich badaniach stosowano podobne strategie do opracowania urządzeń komputerowych przypominających mózg, tranzystory te nie mogą działać poza temperaturami kriogenicznymi. Natomiast nowe urządzenie jest stabilne w temperaturze pokojowej. Działa również z dużymi prędkościami, zużywa bardzo mało energii i zachowuje zapisane informacje nawet w przypadku odcięcia zasilania, co czyni go idealnym do zastosowań w świecie rzeczywistym.

Wyniki badania zostaną opublikowane w środę (20 grudnia) w czasopiśmie Natura.

„Mózg ma zasadniczo inną strukturę niż komputer cyfrowy” – mówi Mark Hersam z Northwestern University, który współkierował badaniami.

„W komputerze cyfrowym dane przemieszczają się tam i z powrotem pomiędzy mikroprocesorem a pamięcią, co zużywa dużo energii i tworzy wąskie gardło przy próbie wykonywania wielu zadań jednocześnie.

„Z drugiej strony w mózgu pamięć i przetwarzanie informacji są zlokalizowane i w pełni zintegrowane, co skutkuje wykładniczo większą efektywnością energetyczną. Podobnie nasz tranzystor synaptyczny realizuje funkcję jednoczesnego przetwarzania pamięci i informacji, aby wierniej naśladować mózg. ”

Hersam jest profesorem nauk o materiałach i inżynierii Waltera P. Murphy'ego w McCormick School of Engineering w Northwestern. Jest także kierownikiem Katedry Nauki i Inżynierii Materiałowej, dyrektorem Centrum Nauki i Inżynierii Materiałów oraz członkiem Międzynarodowego Instytutu Nanotechnologii. Hersam współprowadził badania wraz z Cheung Ma z Boston College i Pablo Jarillo Herrero z MIT.

Niedawne postępy w dziedzinie sztucznej inteligencji (AI) zmotywowały badaczy do opracowania komputerów, które działają bardziej na wzór ludzkiego mózgu. Tradycyjne cyfrowe systemy obliczeniowe mają oddzielne jednostki przetwarzające i przechowujące, co powoduje, że zadania wymagające dużej ilości danych zużywają duże ilości energii.

Ponieważ inteligentne urządzenia stale gromadzą ogromne ilości danych, badacze starają się odkryć nowe sposoby przetwarzania ich bez zużywania coraz większej ilości energii. Obecnie rezystor pamięci, czyli memrystor, to najbardziej zaawansowana technologia, która może pełnić połączoną funkcję przetwarzania i pamięci. Jednak memrystory nadal borykają się z kosztownym przełączaniem zasilania.

„Przez kilka dziesięcioleci model w elektronice polegał na budowaniu wszystkiego z tranzystorów i korzystaniu z tej samej architektury krzemowej” – powiedział Hersam.

„Osiągnięto duży postęp poprzez proste umieszczanie coraz większej liczby tranzystorów w układach scalonych. Nie można zaprzeczyć sukcesowi tej strategii, ale odbywa się to kosztem dużego zużycia energii, szczególnie w obecnej epoce dużych zbiorów danych, w której wykorzystuje się obliczenia cyfrowe wyprzedzić sieć. Musimy na nowo przemyśleć sprzęt komputerowy, szczególnie pod kątem zadań związanych ze sztuczną inteligencją i uczeniem maszynowym.

Aby przemyśleć ten model na nowo, Hersam i jego zespół odkryli nowe osiągnięcia w fizyce wzorów mory, rodzaju wzoru geometrycznego, który powstaje, gdy dwa wzory są umieszczone jeden na drugim.

Kiedy materiały 2D są ułożone w stos, pojawiają się nowe właściwości, które nie istnieją tylko w jednej warstwie. Kiedy te warstwy zostaną skręcone, tworząc falisty wzór, możliwe staje się niespotykane dotąd dostrojenie właściwości elektronicznych.

W nowym urządzeniu naukowcy połączyli dwa różne rodzaje atomowo cienkich materiałów: dwuwarstwowy grafen i sześciokątny azotek boru. Materiały celowo ułożone i skręcone tworzyły falisty wzór.

Obracając jedną warstwę względem drugiej, badaczom udało się uzyskać różne właściwości elektroniczne w każdej warstwie grafenu, mimo że oddzielają je jedynie wymiary atomowe. Odpowiednio wybierając splot, badacze wykorzystali fizykę mory do określenia funkcji neuromorficznych w temperaturze pokojowej.

„W przypadku skręcania jako nowego parametru projektowego liczba permutacji jest ogromna” – powiedział Hersam. „Grafen i sześciokątny azotek boru są bardzo podobne strukturalnie, ale na tyle różne, że dają wyjątkowo silny efekt mory”.

Aby przetestować tranzystor, Hersam i jego zespół przeszkolili go w zakresie rozpoznawania podobnych, ale nie identycznych wzorców. Na początku tego miesiąca Hersam wprowadził nowe urządzenie nanoelektroniczne zdolne do analizowania i klasyfikowania danych w energooszczędny sposób, ale jego nowy splątany tranzystor stanowi kolejny krok naprzód w uczeniu maszynowym i sztucznej inteligencji.

„Jeśli sztuczna inteligencja ma naśladować ludzki sposób myślenia, jednym z zadań niższego poziomu byłaby klasyfikacja danych, co oznacza po prostu sortowanie ich w pudełka” – powiedział Hersam. „Naszym celem jest rozwój technologii sztucznej inteligencji w kierunku myślenia wyższego rzędu. Warunki w świecie rzeczywistym są często bardziej złożone, niż są w stanie obsłużyć obecne algorytmy sztucznej inteligencji, dlatego przetestowaliśmy nasze nowe urządzenia w bardziej złożonych warunkach, aby zweryfikować ich zaawansowane możliwości.

Początkowo badacze pokazali urządzeniu jeden wzór: 000 (trzy kolejne zera). Następnie poprosili sztuczną inteligencję o zidentyfikowanie podobnych wzorców, takich jak 111 lub 101. „Jeśli wytrenujemy ją w wykrywaniu 000, a następnie podamy 111 i 101, będzie ona wiedziała, że ​​111 bardziej przypomina 000 niż 101” – wyjaśnił Hersam. „000 i 111 nie są dokładnie takie same, ale obie są trzema kolejnymi liczbami. Uznanie, że podobieństwo jest formą poznania wyższego poziomu, znaną jako uczenie się skojarzeniowe.

W eksperymentach nowy splątany tranzystor z powodzeniem rozpoznał podobne wzorce i zademonstrował swoją pamięć skojarzeniową. Nawet gdy badacze rzucali krzywymi – na przykład podając niekompletne wzorce – z powodzeniem zademonstrowali uczenie się skojarzeniowe.

„Może być łatwo pomylić istniejącą sztuczną inteligencję, co może powodować poważne problemy w niektórych kontekstach” – powiedział Hersam. „Wyobraźcie sobie, że korzystacie z pojazdu autonomicznego, a warunki pogodowe ulegają pogorszeniu. Samochód może nie być w stanie zinterpretować bardziej złożonych danych z czujników tak dobrze, jak człowiek. Ale nawet jeśli daliśmy tranzystorowi niekompletne wejście, nadal mógł on wybrać prawidłową odpowiedź.

Finansowanie: Badanie „Tranzystor synaptyczny z funkcją neuronową w temperaturze pokojowej” zostało wsparte głównie przez National Science Foundation.

O nowościach z zakresu neurotechnologii i badań nad sztuczną inteligencją

autor: Amandę Moris
źródło: Uniwersytet Północno-Zachodni
Komunikacja: Amanda Morris z Uniwersytetu Północno-Zachodniego
zdjęcie: Zdjęcie przypisane Neuroscience News

Oryginalne wyszukiwanie: Zamknięty dostęp.
„Tranzystor synaptyczny mory z funkcją neuronową w temperaturze pokojowej„Mark C. Hersam i in. Natura

podsumowanie

Tranzystor synaptyczny mory z funkcją neuronową w temperaturze pokojowej

Faliste materiały kwantowe są gospodarzem egzotycznych zjawisk elektronicznych dzięki wzmocnionym wewnętrznym interakcjom kulombowskim w skręconych homostrukturach 2D. W połączeniu z wyjątkowo wysoką kontrolą elektrostatyczną w atomowo cienkich materiałach, heterostruktury faliste mają potencjał, aby umożliwić stworzenie urządzeń elektronicznych nowej generacji o niespotykanej dotąd funkcjonalności.

Jednak pomimo szeroko zakrojonych badań falowe zjawiska elektroniczne ograniczały się jak dotąd do niepraktycznie niskich temperatur, co uniemożliwia rzeczywiste zastosowania falistych materiałów kwantowych.

Tutaj przedstawiamy raport z eksperymentalnej implementacji i działania w temperaturze pokojowej tranzystora synaptycznego mory o małej mocy (20 pW) opartego na asymetrycznej dwuwarstwowej heterostrukturze grafen/heksagonalny azotek boru. Asymetryczne potencjały mory powodują powstawanie silnych elektronicznych stanów zapadkowych, które umożliwiają sterylne i nielotne wstrzykiwanie nośników ładunku kontrolujących przewodzenie urządzenia.

Bramkowanie asymetryczne w podwójnie bramkowanych heterostrukturach falistych realizuje różnorodne funkcje neurobiologiczne, takie jak rekonfigurowalne odpowiedzi synaptyczne, tetpotronie oparte na czasoprzestrzenności i adaptacja specyficzna dla danych wejściowych Binnstocka-Coopera-Munro.

W ten sposób falisty tranzystor synaptyczny umożliwia wydajne projektowanie obliczeń w pamięci i akceleratorów peryferyjnych na potrzeby sztucznej inteligencji i uczenia maszynowego.