Synapser som model:Solid-state hukommelse i neuromorfe kredsløb

Visse opgaver - såsom genkendelse af mønstre og sprog - udføres yderst effektivt af en menneskelig hjerne, der kun kræver omkring en ti tusindedel af energien fra en konventionel, såkaldt "von Neumann" computer. En af årsagerne ligger i de strukturelle forskelle:I en von Neumann-arkitektur er der en klar adskillelse mellem hukommelse og processor, hvilket kræver konstant flytning af store mængder data. Dette er tids- og energikrævende – den såkaldte von Neumann-flaskehals. I hjernen foregår den beregningsmæssige operation direkte i datahukommelsen, og de biologiske synapser udfører opgaver som hukommelse og processor på samme tid.

I Forschungszentrum Jülich har forskere arbejdet i mere end 15 år på specielle datalagringsenheder og komponenter, der kan have lignende egenskaber som synapserne i den menneskelige hjerne. Såkaldte memristive hukommelsesenheder, også kendt som memristorer, anses for at være ekstremt hurtige og energibesparende og kan miniaturiseres meget godt ned til nanometerområdet. Funktionen af ​​memristive celler er baseret på en helt speciel effekt:Deres elektriske modstand er ikke konstant, men kan ændres og nulstilles igen ved at påføre en ekstern spænding, teoretisk kontinuerligt. Ændringen i modstand styres af iltioners bevægelse. Hvis disse bevæger sig ud af det halvledende metaloxidlag, bliver materialet mere ledende, og den elektriske modstand falder. Denne ændring i modstand kan bruges til at lagre information.

De processer, der kan forekomme i celler, er komplekse og varierer afhængigt af materialesystemet. Tre forskere fra Jülich Peter Grünberg Instituttet—Prof. Regina Dittmann, Dr. Stephan Menzel og Prof. Rainer Waser - har derfor samlet deres forskningsresultater i en detaljeret oversigtsartikel, "Nanoionic memristive phenomena in metal oxides:the valence change mechanism." De forklarer i detaljer de forskellige fysiske og kemiske virkninger i memristorer og belyser disse effekters indflydelse på memristive cellers omskiftningsegenskaber og deres pålidelighed.

"Hvis man ser på nuværende forskningsaktiviteter inden for neuromorfe memristorkredsløb, er de ofte baseret på empiriske tilgange til materialeoptimering," siger Rainer Waser, direktør ved Peter Grünberg Instituttet. "Vores mål med vores reviewartikel er at give forskere noget at arbejde med for at muliggøre indsigtsdrevet materialeoptimering." Holdet af forfattere arbejdede på den omkring 200 sider lange artikel i ti år og måtte naturligvis blive ved med at inkorporere fremskridt inden for viden.

"Den analoge funktion af memristive celler, der kræves til deres brug som kunstige synapser, er ikke det normale tilfælde. Normalt er der pludselige spring i modstand, genereret af den gensidige forstærkning af ionisk bevægelse og joule varme," forklarer Regina Dittmann fra Peter Grünberg Instituttet. . "I vores oversigtsartikel giver vi forskere den nødvendige forståelse af, hvordan man ændrer dynamikken i cellerne for at aktivere en analog driftstilstand."

"Man ser igen og igen, at grupper simulerer deres memristorkredsløb med modeller, der slet ikke tager højde for høj dynamik i cellerne. Disse kredsløb vil aldrig fungere," siger Stephan Menzel, der leder modelleringsaktiviteter ved Peter Grünberg Instituttet og har udviklet kraftfulde kompakte modeller, der nu er i det offentlige domæne. "I vores anmeldelsesartikel giver vi det grundlæggende, der er yderst nyttigt for en korrekt brug af vores kompakte modeller."

Køreplan for neuromorfisk databehandling

"Roadmap of Neuromorphic Computing and Engineering", som blev offentliggjort i maj 2022, viser, hvordan neuromorphic computing kan være med til at reducere det enorme energiforbrug af IT globalt. I den har forskere fra Peter Grünberg Instituttet (PGI-7) sammen med førende eksperter på området samlet de forskellige teknologiske muligheder, beregningsmæssige tilgange, læringsalgoritmer og anvendelsesområder.

Ifølge undersøgelsen vil applikationer inden for kunstig intelligens, såsom mønstergenkendelse eller talegenkendelse, sandsynligvis drage særlig fordel af brugen af ​​neuromorf hardware. Dette skyldes, at de er baseret - meget mere end klassiske numeriske computeroperationer - på flytning af store mængder data. Memristive celler gør det muligt at behandle disse gigantiske datasæt direkte i hukommelsen uden at transportere dem frem og tilbage mellem processor og hukommelse. Dette kunne reducere energieffektiviteten af ​​kunstige neurale netværk i størrelsesordener.

Memristive celler kan også sammenkobles for at danne højdensitetsmatricer, der gør det muligt for neurale netværk at lære lokalt. Denne såkaldte edge computing flytter således beregninger fra datacentret til fabriksgulvet, køretøjet eller hjemmet til mennesker med behov for pleje. Således kan overvågning og kontrol af processer eller iværksættelse af redningsforanstaltninger udføres uden at sende data via en sky.

"Dette opnår to ting på samme tid:du sparer energi, og samtidig forbliver personlige data og sikkerhedsrelevante data på stedet," siger prof. Dittmann, der spillede en nøglerolle i at skabe køreplanen som redaktør.

De tilknyttede undersøgelser blev offentliggjort i Advances in Physics og Neuromorphic Computing and Engineering . + Udforsk yderligere

Neuromorf hukommelsesenhed simulerer neuroner og synapser