Team udvikler komponent til neuromorf computer

Neurale netværk er nogle af de vigtigste værktøjer inden for kunstig intelligens (AI):de efterligner den menneskelige hjernes funktion og kan pålideligt genkende tekster, sprog og billeder, for blot at nævne nogle få. Indtil nu, de kører på traditionelle processorer i form af adaptiv software, men eksperter arbejder på et alternativt koncept, den 'neuromorfe computer'. I dette tilfælde, hjernens skiftepunkter - neuronerne - simuleres ikke af software, men rekonstrueres i hardwarekomponenter. Et team af forskere ved Helmholtz-Zentrum Dresden-Rossendorf (HZDR) har nu demonstreret en ny tilgang til sådan hardware-målrettede magnetiske bølger, der genereres og opdeles i mikrometerstørrelser. Ser man på fremtiden, dette kan betyde, at optimeringsopgaver og mønstergenkendelse kunne udføres hurtigere og mere energieffektivt. Forskerne har præsenteret deres resultater i tidsskriftet Fysisk gennemgangsbreve .

Teamet baserede sine undersøgelser på en lille skive af det magnetiske materiale jernnikkel, med en diameter på kun et par mikrometer bred. En guldring placeres omkring denne disk:Når en vekselstrøm i gigahertz -området strømmer igennem den, den udsender mikrobølger, der ophidser såkaldte spin-bølger i disken. "Elektronerne i jernnikkel udviser et spin, en slags hvirvlende på stedet snarere som en snurretop, "Helmut Schultheiß, leder af Emmy Noether Group "Magnonics" hos HZDR, forklarer. "Vi bruger mikrobølgeimpulserne til at smide elektronpladen lidt ud af kurs." Elektronerne videregiver derefter denne forstyrrelse til deres respektive naboer - hvilket får en spinbølge til at skyde gennem materialet. Information kan transporteres meget effektivt på denne måde uden at skulle flytte elektronerne selv, hvilket er, hvad der sker i nutidens computerchips.

Tilbage i 2019, Schultheiß -gruppen opdagede noget bemærkelsesværdigt:under visse omstændigheder, spinbølgen genereret i den magnetiske hvirvel kan opdeles i to bølger, hver med en reduceret frekvens. "Såkaldte ikke-lineære effekter er ansvarlige for dette, "forklarer Schultheißs kollega Lukas Körber." De aktiveres først, når den bestrålede mikrobølgeeffekt krydser en vis tærskel. "Sådan adfærd antyder spinbølger som lovende kandidater til kunstige neuroner, fordi der er en fantastisk parallel med hjernens virke:disse neuroner også fyr kun, når en vis stimulustærskel er overskredet.

Mikrobølgeovn

I starten imidlertid, forskerne var ude af stand til at kontrollere opdelingen af ​​spinbølgen meget præcist. Körber forklarer hvorfor:"Da vi sendte mikrobølgeovnen ind i disken, der var en tidsforsinkelse, før spinbølgen delte sig i to nye bølger. Og det var svært at kontrollere. "Så, holdet måtte tænke en vej rundt om problemet, som de nu har beskrevet i Fysisk gennemgangsbreve :Ud over guldringen, en lille magnetstrimmel er fastgjort tæt på magnetskiven. Et kort mikrobølgesignal genererer en spinbølge i denne strimmel, som kan interagere med spinbølgen i waferen og dermed fungere som en slags lokkedue. Spinbølgen i strimlen får bølgen i skiven til at dele sig hurtigere. "Et meget kort ekstra signal er tilstrækkeligt til at få splittelsen til at ske hurtigere, "Körber forklarer." Det betyder, at vi nu kan udløse processen og kontrollere tidsforsinkelsen. "

Hvilket også betyder, at i princippet, det er bevist, at spinwave -skiver er egnede til kunstige hardware -neuroner - de skifter på samme måde som nerveceller i hjernen og kan styres direkte. "Den næste ting, vi vil gøre, er at bygge et lille netværk med vores spinbølge -neuroner, "Helmut Schultheiß annoncerer." Dette neuromorfe netværk skal derefter udføre enkle opgaver, såsom at genkende ligetil mønstre. "

Ansigtsgenkendelse og trafikoptimering Mønstergenkendelse er en af ​​de store applikationer af AI. Ansigtsgenkendelse på en smartphone, for eksempel, undgår nødvendigheden af ​​et kodeord. For at det kan fungere, et neuralt netværk skal trænes på forhånd hvilket indebærer enorm computerkraft og enorme datamængder. Smartphone -producenter overfører dette netværk til en særlig chip, der derefter integreres i mobiltelefonen. Men chippen har en svaghed. Det er ikke adaptivt, så kan ikke genkende ansigter iført en maske, for eksempel.

En neuromorf computer, på den anden side, kunne også håndtere situationer som denne:i modsætning til konventionelle chips, dets komponenter er ikke hårdt forbundet, men fungerer som nerveceller i hjernen. "På grund af dette, en neuromorf computer kan behandle store datamængder på én gang, ligesom et menneske - og meget energieffektivt på det, "Schultheiß begejstrer. Bortset fra mønstergenkendelse, den nye type computer kan også vise sig nyttig inden for et andet økonomisk relevant område:til optimeringsopgaver såsom højpræcisions smartphone-ruteplanlæggere.