Ingeniører udvikler højtydende og højpålidelig kunstig synaptisk halvlederenhed

Neuromorfisk computersystemteknologi, der efterligner den menneskelige hjerne, skal overvinde begrænsningen af ​​overdreven strømforbrug, som er karakteristisk for den eksisterende von Neumann-beregningsmetode. En højtydende, analog kunstig synapseenhed, der er i stand til at udtrykke synapseforbindelsesstyrke, er påkrævet for at implementere en halvlederenhed, der bruger en metode til transmission af hjerneinformation. Denne metode bruger signaler, der transmitteres mellem neuroner, når en neuron genererer et spidssignal.

Men med konventionelle resistensvariable hukommelsesenheder, der er meget udbredt som kunstige synapser, øges det elektriske felt, når filamentet vokser med varierende modstand, hvilket forårsager et feedback-fænomen, hvilket resulterer i hurtig filamentvækst. Derfor er det udfordrende at implementere plasticitet og samtidig opretholde analog (gradvis) modstandsvariation vedrørende filamenttypen.

Korea Institute of Science and Technology, ledet af Dr. YeonJoo Jeongs team ved Center for Neuromorphic Engineering, løste begrænsningerne af analoge synaptiske egenskaber, plasticitet og informationsbevaring, som er kroniske forhindringer vedrørende memristorer, neuromorfe halvlederenheder. Han annoncerede udviklingen af ​​en kunstig synaptisk halvlederenhed, der er i stand til yderst pålidelig neuromorfisk databehandling.

KIST-forskerholdet finjusterede redoxegenskaberne af aktive elektrodeioner for at løse små synaptiske plasticitetsproblemer, der hindrer ydeevnen af ​​eksisterende neuromorfe halvlederenheder. Ydermere blev overgangsmetaller doteret og brugt i den synaptiske enhed, hvilket kontrollerer reduktionssandsynligheden for aktive elektrodeioner. Ingeniørerne opdagede, at den høje reduktionssandsynlighed for ioner er en kritisk variabel i udviklingen af ​​højtydende kunstige synaptiske enheder.

Derfor blev et titanium-overgangsmetal, med en høj sandsynlighed for ionreduktion, introduceret af forskerholdet i en eksisterende kunstig synaptisk enhed. Dette bevarer synapsens analoge karakteristika og enhedens plasticitet ved synapsen af ​​den biologiske hjerne, cirka fem gange forskellen mellem høj og lav modstand. Desuden udviklede de en højtydende neuromorf halvleder, der er cirka 50 gange mere effektiv.

På grund af den høje legeringsdannelsesreaktion udvist af det doterede titaniumovergangsmetal steg informationsretentionen op til 63 gange sammenlignet med den eksisterende kunstige synaptiske enhed. Desuden kunne hjernefunktioner, herunder langsigtet potensering og langvarig depression, simuleres mere præcist.

Holdet implementerede et kunstigt neuralt netværks læringsmønster ved hjælp af den udviklede kunstige synaptiske enhed og forsøgte at lære kunstig intelligens billedgenkendelse. Fejlraten blev reduceret med mere end 60 % sammenlignet med den eksisterende kunstige synaptiske enhed; derudover steg genkendelsesnøjagtigheden for håndskriftsbilleder (MNIST) med mere end 69 %. Forskerholdet bekræftede gennemførligheden af ​​et højtydende neuromorfisk computersystem gennem dette forbedrede den kunstige synaptiske enhed.

Dr. Jeong fra KIST sagde:"Denne undersøgelse forbedrede drastisk det synaptiske bevægelsesområde og informationsbevaring, som var de største tekniske barrierer for eksisterende synaptiske mimik. I den udviklede kunstige synapse-enhed, enhedens analoge operationsområde til at udtrykke synapsens forskellige forbindelser styrker er blevet maksimeret, så ydeevnen af ​​hjernesimuleringsbaseret kunstig intelligensberegning vil blive forbedret.

"I den opfølgende forskning vil vi fremstille en neuromorf halvlederchip baseret på den udviklede kunstige synapse-enhed for at realisere et højtydende kunstig intelligens-system, og derved yderligere forbedre konkurrenceevnen i det hjemlige system og kunstig intelligens-halvlederområdet."

Forskningen blev offentliggjort i Nature Communications . + Udforsk yderligere

Neuromorf hukommelsesenhed simulerer neuroner og synapser