Straintronic spin -neuron kan i høj grad forbedre neural computing

(Phys.org) - Forskere har foreslået en ny type kunstigt neuron kaldet et "straintronic spin neuron", der kan tjene som grundenhed for kunstige neurale netværk - systemer modelleret efter menneskelige hjerner, der har evnen til at beregne, lære, og tilpasse sig. Sammenlignet med tidligere designs, den nye kunstige neuron er potentielt større størrelsesordener mere energieffektiv, mere robust mod termisk nedbrydning, og affyrer hurtigere.

Forskerne, Ayan K. Biswas, Professor Jayasimha Atulasimha, og professor Supriyo Bandyopadhyay ved Virginia Commonwealth University i Richmond, har udgivet et papir om den straintroniske spin -neuron i et nyligt nummer af Nanoteknologi .

Som forskerne forklarer, at finde en effektiv måde at efterligne rigtige neuroner er afgørende for at realisere det fulde potentiale i kunstige neurale netværk, alligevel har denne opgave vist sig vanskelig.

"De fleste computere er digitale af natur og behandler oplysninger ved hjælp af boolsk logik, "Fortalte Bandyopadhyay Phys.org . "Imidlertid, der er visse beregningsopgaver, der er bedre egnet til 'neuromorfe computere, 'som er baseret på, hvordan den menneskelige hjerne opfatter og behandler information. Dette inspirerede feltet kunstige neurale netværk, som gjorde store fremskridt i det sidste århundrede, men i sidste ende blev dæmpet af en hardware dødvande. Elektronikken, der bruges til at implementere kunstige neuroner og synapser, anvender transistorer og operationelle forstærkere, som spreder enorme mængder energi i form af varme og forbruger store mængder plads på en chip. Disse ulemper gør termostyring på chippen ekstremt vanskelig og neuromorf computing mindre attraktiv, end den burde være.

"Heldigvis, der er andre måder at implementere neuroner på, såsom med magnetiske enheder. Man troede, at magnetiske enheder vil aflede meget mindre varme, men hvad vi fandt er, at de ikke nødvendigvis spreder mindre varme under alle omstændigheder. Varmeafledningen afhænger af, hvordan de magnetiske enheder skiftes til at efterligne en neurons operation. Hvis de skiftes med strøm, hvilket er den sædvanlige tilgang, så spreder de ikke så meget mindre varme, og, under visse omstændigheder, kan endda aflede mere varme end transistorer.

"Imidlertid, der er en måde at skifte bestemte typer magneter med mekanisk belastning genereret af en elektrisk spænding. Vi fandt ud af, at hvis magneter skiftes med den tilgang, så er de magnetiske neuroner faktisk meget mindre afledende end både deres transistorbaserede modstykker og strømskiftede magnetiske modstykker. Dette er 'straintronic spin neuron, 'og det kan give et boost til neuromorfe informationsbehandlingshardware. "

Som forskerne forklarer, den foreslåede straintroniske spin-neuron er baseret på et magneto-tunnelingskryds, som er en trelags struktur bestående af en hård nanomagnet, et afstandsstykke, og en blød magnetostriktiv nanomagnet sidder oven på en piezoelektrisk film. Anvendelse af spændingsimpulser til neuronen genererer en belastning i den piezoelektriske film, som delvist overføres til den bløde magnetostriktive nanomagnet. Når stammen i nanomagneten overstiger en tærskelværdi, magnetiseringen roterer pludseligt, som ændrer modstanden i magneto-tunnelingskrydsningen mellem to stabile tilstande. Den pludselige ændring i spændingen på tværs af enheden efterligner neuronfyring.

"Den ekstraordinære energieffektivitet af den straintroniske spin-neuron skyldes, at det kræver meget lidt spænding at skifte magnetisering af en blød magnetostriktiv nanomagnet elastisk koblet til en piezoelektrisk film-et system kendt som en 'to-fase multiferroic'-som så længe den magnetostriktive nanomagnet er lavet af en særlig klasse materialer, der har meget høj magnetostriktion, såsom Terfenol-D, "forklarede forskerne.

Udover at være mere energieffektive, den straintroniske spin-neuron er også meget mere modstandsdygtig over for termisk støj end strømdrevne spin-neuroner. Ved temperaturer over 0 K, termisk støj skaber et ekstra tilfældigt drejningsmoment ved magnetisering af enhver nanomagnet, hvilket øger sandsynligheden for, at neuronen enten vil affyre, før den når tærskelspændingen eller undlade at affyre efter at have nået tærskelspændingen.

Denne skadelige virkning kan bekæmpes ved at øge tærskelstrømmen for fyring (i tilfælde af strømdrevne spinneuroner) eller tærskelspændingen for affyring (i tilfælde af spændingsdrevne straintroniske spinneuroner), men dette vil også øge energispildet. Her, forskerne viste, at afvejningen mellem energieffektivitet og pålidelighed favoriserer det straintroniske spin-neuron overvejende over strømdrevne spin-neuroner, som skønnes at sprede flere størrelsesordener mere energi.

Med disse fordele, straintronic spin -neuroner kunne have en række forskellige anvendelser inden for neural computing.

"Det, vi har undersøgt, er en perceptron, som er en matematisk model af den kunstige neuron, "Sagde Atulasimha." Der er mange mulige anvendelser af dette i neural computing. Et område, vi er interesseret i, er spike-timing-afhængig plasticitet, som er en form for hebbisk læring. Det er en udbredt opfattelse, at det ligger til grund for læring og informationslagring i hjernen, og der er en enorm mængde litteratur, der beskæftiger sig med dette. Straintroniske spin -neuroner affyres af spændingsimpulser, og der er klare veje til at tilpasse dem til den spike-timing-afhængige plasticitetsmodel. Vi er også interesseret i karaktergenkendelse, som anvender feed-forward-netværk og billedkomprimering. Det udelukker ikke andet. Overalt hvor varmeafledning er en spoiler, den straintroniske spin -neuron kan muligvis tilbyde en løsning. "

De næste trin for forskerne vil involvere fremstilling af de fysiske enheder.

"Beviset på budding er altid i spisningen, "Biswas sagde." Før eller siden, denne enhed skal demonstreres eksperimentelt. Vores gruppe har eksperimentelt demonstreret at skifte magnetens magnetisering med belastning i mange forskellige systemer, og vi vil bestræbe os på at demonstrere den straintroniske spin -neuron i fremtiden. "

© 2015 Phys.org