Ingeniører designer kunstig synapse til hjerne-på-en-chip-hardware

Når det kommer til processorkraft, den menneskelige hjerne kan bare ikke slås.

Pakket i squishy, organer på størrelse med fodbold er et sted omkring 100 milliarder neuroner. På ethvert givet tidspunkt, en enkelt neuron kan videresende instruktioner til tusindvis af andre neuroner via synapser - mellemrummene mellem neuroner, over hvilke neurotransmittere udveksles. Der er mere end 100 billioner synapser, der medierer neuronsignalering i hjernen, at styrke nogle forbindelser, mens andre beskærer, i en proces, der sætter hjernen i stand til at genkende mønstre, huske fakta, og udføre andre læringsopgaver, med lynets hastighed.

Forskere inden for det nye område af "neuromorphic computing" har forsøgt at designe computerchips, der fungerer som den menneskelige hjerne. I stedet for at udføre beregninger baseret på binær, tænd/sluk-signalering, ligesom digitale chips gør i dag, elementerne i en "hjerne på en chip" ville fungere på en analog måde, udveksling af en gradient af signaler, eller "vægte, " meget ligesom neuroner, der aktiveres på forskellige måder afhængigt af typen og antallet af ioner, der strømmer hen over en synapse.

På denne måde små neuromorfe chips kunne, som hjernen, effektivt behandle millioner af strømme af parallelle beregninger, der i øjeblikket kun er mulige med store banker af supercomputere. Men en væsentlig afbrydelse på vejen til en sådan bærbar kunstig intelligens har været den neurale synapse, som har været særligt vanskelig at gengive i hardware.

Nu har ingeniører ved MIT designet en kunstig synapse på en sådan måde, at de præcist kan kontrollere styrken af ​​en elektrisk strøm, der flyder over den, svarende til den måde, ioner flyder mellem neuroner. Holdet har bygget en lille chip med kunstige synapser, lavet af silicium germanium. I simuleringer, forskerne fandt ud af, at chippen og dens synapser kunne bruges til at genkende prøver af håndskrift, med 95 procents nøjagtighed.

Designet, offentliggjort i dag i tidsskriftet Naturmaterialer , er et stort skridt i retning af at bygge bærbare, laveffekt neuromorfe chips til brug i mønstergenkendelse og andre læringsopgaver.

Forskningen blev ledet af Jeehwan Kim, klassen i 1947 Karriereudviklingsadjunkt i afdelingerne for maskinteknik og materialevidenskab og teknik, og en hovedefterforsker i MIT's Research Laboratory of Electronics and Microsystems Technology Laboratories. Hans medforfattere er Shinhyun Choi (førsteforfatter), Scott Tan (med-førsteforfatter), Zefan Li, Yunjo Kim, Chanyeol Choi, og Hanwool Yeon fra MIT, sammen med Pai-Yu Chen og Shimeng Yu fra Arizona State University.

For mange stier

De fleste neuromorfe chipdesign forsøger at efterligne den synaptiske forbindelse mellem neuroner ved hjælp af to ledende lag adskilt af et "skiftemedium, " eller synapse-lignende rum. Når en spænding påføres, ioner skal bevæge sig i omskiftningsmediet for at skabe ledende filamenter, svarende til hvordan "vægten" af en synapse ændrer sig.

Men det har været svært at kontrollere strømmen af ​​ioner i eksisterende designs. Kim siger, at det er fordi, de fleste skifter medie, lavet af amorfe materialer, har ubegrænsede mulige stier, som ioner kan bevæge sig igennem - lidt ligesom Pachinko, et mekanisk arkadespil, der fører små stålkugler ned gennem en række stifter og håndtag, som enten afleder eller dirigerer boldene ud af maskinen.

Ligesom Pachinko, eksisterende koblingsmedier indeholder flere veje, der gør det vanskeligt at forudsige, hvor ioner vil komme igennem. Kim siger, at det kan skabe uønsket uensartethed i en synapses præstation.

"Når du anvender en spænding for at repræsentere nogle data med din kunstige neuron, du skal slette og kunne skrive det igen på nøjagtig samme måde, " siger Kim. "Men i et amorft fast stof, når du skriver igen, ionerne går i forskellige retninger, fordi der er masser af defekter. Denne strøm ændrer sig, og det er svært at kontrollere. Det er det største problem - uensartethed af den kunstige synapse."

Et perfekt misforhold

I stedet for at bruge amorfe materialer som en kunstig synapse, Kim og hans kolleger kiggede på enkeltkrystallinsk silicium, et defektfrit ledende materiale fremstillet af atomer arrangeret i en kontinuerlig ordnet opstilling. Teamet søgte at skabe en præcis, en-dimensionel linjedefekt, eller dislokation, gennem silicium, som ioner forudsigeligt kunne strømme igennem.

For at gøre det, forskerne startede med en wafer af silicium, ligner, ved mikroskopisk opløsning, et kyllingetrådsmønster. De dyrkede derefter et lignende mønster af siliciumgermanium - et materiale, der også bruges almindeligt i transistorer - oven på siliciumwaferen. Silicium germaniums gitter er lidt større end silicium, og Kim fandt det sammen, de to perfekt uoverensstemmende materialer kan danne en tragtlignende dislokation, skabe en enkelt vej, hvorigennem ioner kan strømme.

Forskerne fremstillede en neuromorf chip bestående af kunstige synapser lavet af silicium germanium, hver synapse måler omkring 25 nanometer på tværs. De påførte spænding til hver synapse og fandt ud af, at alle synapser udviste mere eller mindre den samme strøm, eller strøm af ioner, med omkring 4 procent variation mellem synapser - en meget mere ensartet ydeevne sammenlignet med synapser lavet af amorft materiale.

De testede også en enkelt synapse over flere forsøg, anvender den samme spænding over 700 cyklusser, og fandt synapsen udviste den samme strøm, med kun 1 procent variation fra cyklus til cyklus.

"Dette er den mest ensartede enhed, vi kunne opnå, som er nøglen til at demonstrere kunstige neurale netværk, " siger Kim.

Skrivning, anerkendt

Som en afsluttende test, Kims team undersøgte, hvordan dens enhed ville præstere, hvis den skulle udføre egentlige læringsopgaver – specifikt, genkende prøver af håndskrift, som forskere anser for at være en første praktisk test for neuromorfe chips. Sådanne chips ville bestå af "input/skjulte/output neuroner, " hver forbundet med andre "neuroner" via filament-baserede kunstige synapser.

Forskere mener, at sådanne stakke af neurale net kan laves for at "lære". For eksempel, når der gives et input, der er et håndskrevet '1, ' med et output, der mærker det som '1, ' visse outputneuroner vil blive aktiveret af inputneuroner og vægte fra en kunstig synapse. Når flere eksempler på håndskrevne '1'ere' føres ind i den samme chip, de samme outputneuroner kan aktiveres, når de registrerer lignende træk mellem forskellige prøver af det samme bogstav, altså "lære" på en måde svarende til, hvad hjernen gør.

Kim og hans kolleger kørte en computersimulering af et kunstigt neuralt netværk bestående af tre ark af neurale lag forbundet via to lag kunstige synapser, hvis egenskaber de er baseret på målinger fra deres faktiske neuromorfe chip. De føjede titusindvis af prøver ind i deres simulering fra et håndskrevet genkendelsesdatasæt, der almindeligvis bruges af neuromorfe designere, og fandt ud af, at deres neurale netværkshardware genkendte håndskrevne prøver 95 procent af tiden, sammenlignet med 97 procents nøjagtighed af eksisterende softwarealgoritmer.

Holdet er i gang med at fremstille en fungerende neuromorf chip, der kan udføre håndskriftsgenkendelsesopgaver, ikke i simulering, men i virkeligheden. Ser man ud over håndskrift, Kim siger, at holdets kunstige synapsedesign vil muliggøre meget mindre, bærbare neurale netværksenheder, der kan udføre komplekse beregninger, som i øjeblikket kun er mulige med store supercomputere.

"I sidste ende vil vi have en chip så stor som en fingernegl til at erstatte en stor supercomputer, " siger Kim. "Dette åbner et springbræt til at producere ægte kunstigt hardware."