Hjernelignende netværk bruger uorden til at opdage orden

Et uordentligt netværk, der er i stand til at opdage ordnede mønstre:Dette lyder modstridende, men det kommer tæt på at beskrive den måde, hjernen fungerer på. Forskere ved University of Twente har udviklet et sådant hjerneinspireret netværk baseret på siliciumteknologi, der kan betjenes ved stuetemperatur. Det gør brug af materialegenskaber, som elektroniske designere normalt gerne vil undgå. Takket være "hopping ledning, "systemet udvikler sig til en løsning uden at gøre brug af forud designede elementer. Forskerne offentliggør deres arbejde i Natur den 15. januar, 2020.

Hjernen er meget god til at genkende mønstre. Kunstig intelligens kan i nogle tilfælde gøre det bedre, men dette kommer med en pris:Det kræver massiv computerkraft, hvorimod hjernen kun bruger 20 watt.

Halvlederindustrien omfavner nu nye computerdesignstrategier inspireret af hjernefunktionen, som Intels Loihi -processor, som har neuroner og synapser. Stadig, at efterligne en enkelt neuron tager tusinder af transistorer - og hjernen har titusinder af milliarder af neuroner. Miniaturisering er en tilgang til denne skala, men teknologien når fysiske grænser. Det nye uordnede doping atomnetværk, nu præsenteret i Natur er en anden tilgang:Den bruger ikke foruddesignede neuroner eller andre kredsløb, men gør brug af materielle egenskaber til at udvikle sig mod en løsning. Denne yderst kontraintuitive tilgang er energieffektiv og optager ikke meget overfladeareal.

Hopper

Inden for elektronik, doping er en velkendt måde at påvirke transistors egenskaber ved bevidst at indføre urenheder i siliciumkrystal i en koncentration, der er høj nok til at opnå den ønskede effekt. I dette tilfælde, ved hjælp af en meget lavere koncentration af bor resulterer i et regime, som kredsløbsdesignere foretrækker at undgå.

Det er præcis det regime, hvor det uordnede netværk fungerer. Konduktion foregår nu via elektroner, der hopper fra et boratom til et andet:Denne 'hopping ledning' er, på en måde, sammenlignelig med neuroner, der søger samarbejde med andre neuroner for at lave en klassificering. Som et eksempel, netværket er fodret med 16 grundlæggende, firecifrede mønstre. Hvert mønster resulterer i et andet udgangssignal. Med disse 16 som grundlag, det er muligt at genkende en database med håndskrevne bogstaver med høj nøjagtighed og hastighed, for eksempel. Grundkomponenten er nu 300 nanometer i diameter, har omkring 100 boratomer og bruger omkring 1 mikroWatt strøm.

I fremtidige systemer, der bruger denne type netværk, mønstergenkendelse kan udføres lokalt, uden at bruge fjern computerkraft. Ved autonom kørsel, for eksempel, mange beslutninger skal træffes baseret på anerkendelse. Dette indebærer enten et kraftigt indbygget computersystem eller højbåndsbåndskommunikation med skyen, sandsynligvis endda begge. Den nye hjerneinspirerede tilgang ville indebære mindre transport af data, så bilindustrien er allerede interesseret i den nye UT -tilgang. Denne type computing, kaldet "edge computing, "kan også bruges til ansigtsgenkendelse, for eksempel.

Papiret, "Klassificering med et forstyrret dopingatomenetværk i silicium, "udgives i Natur . I samme nummer, der er en relateret anmeldelse med titlen "Evolution of circuits for machine learning."