Fysikere bygger elektroniske synapser til neurale netværk

Et team af forskere fra Moskva Institut for Fysik og Teknologi (MIPT) har skabt prototyper af "elektroniske synapser" baseret på ultratynde film af hafniumoxid (HfO) ₂ ). Disse prototyper kunne bruges i fundamentalt nye computersystemer. Artiklen er blevet publiceret i tidsskriftet Nanoskala Research Letters .

Gruppen af ​​forskere fra MIPT har lavet HfO ₂ -baserede memristorer, der kun måler 40x40 nm ² . De nanostrukturer, de byggede, udviser egenskaber, der ligner biologiske synapser. Ved hjælp af nyudviklet teknologi, memristorerne blev integreret i matricer - i fremtiden, denne teknologi kan bruges til at designe computere, der fungerer på samme måde som biologiske neurale netværk.

Memristorer (modstande med hukommelse) er enheder, der er i stand til at ændre deres tilstand (ledningsevne) afhængigt af den ladning, der passerer gennem dem, og de har derfor et minde om deres "historie". I dette studie, forskerne brugte enheder baseret på tyndfilm hafniumoxid, et materiale, der allerede bruges til fremstilling af moderne processorer. Det betyder, at denne nye laboratorieteknologi kan, hvis nødvendigt, let bruges i industrielle processer.

"I en enklere version, memristorer lover binære ikke-flygtige hukommelsesceller, hvori information skrives ved at skifte den elektriske modstand - fra høj til lav og tilbage igen. Det, vi forsøger at påvise, er meget mere komplekse funktioner af memristorer - at de opfører sig på samme måde som biologiske synapser, " sagde Yury Matveyev, den tilsvarende forfatter til papiret, og seniorforsker i MIPT's Laboratory of Functional Materials and Devices for Nanoelectronics, kommenterer undersøgelsen.

Synapser – nøglen til indlæring og hukommelse

En synapse er forbindelsespunktet mellem neuroner, hvis hovedfunktion er at transmittere et signal (en spids – en bestemt type signal, se fig. 2) fra en neuron til en anden. Hver neuron kan have tusindvis af synapser, der forbinder med et stort antal andre neuroner. Det betyder, at information kan behandles parallelt, snarere end sekventielt (som i moderne computere). Dette er grunden til, at "levende" neurale netværk er så uhyre effektive både med hensyn til hastighed og energiforbrug til at løse en lang række opgaver, såsom billed- og stemmegenkendelse.

Over tid, synapser kan ændre deres "vægt", dvs. deres evne til at sende et signal. Denne egenskab menes at være nøglen til at forstå hjernens indlærings- og hukommelsesfunktioner.

Fra det fysiske synspunkt, synaptisk "hukommelse" og "indlæring" i hjernen kan fortolkes som følger:Den neurale forbindelse besidder en vis "ledningsevne, " som er bestemt af den tidligere "historie" af signaler, der har passeret gennem forbindelsen. Hvis en synapse transmitterer et signal fra en neuron til en anden, vi kan sige, at den har høj "ledningsevne, "og hvis det ikke gør det, vi siger, at den har lav "ledningsevne". Imidlertid, synapser fungerer ikke blot i tænd/sluk-tilstand; de kan have en hvilken som helst mellemvægt (mellem ledningsevneværdi). Derfor, hvis vi ønsker at simulere dem ved hjælp af bestemte enheder, disse enheder skal også have analoge egenskaber.

Memristoren som en analog til synapsen

Som i en biologisk synapse, værdien af ​​en memristors elektriske ledningsevne er resultatet af dens tidligere "liv" fra det øjeblik den blev lavet.

Der er en række fysiske effekter, der kan udnyttes til at designe memristorer. I dette studie, forfatterne brugte enheder baseret på ultratynd film hafniumoxid, som udviser virkningen af ​​blødt (reversibelt) elektrisk nedbrud under et påført eksternt elektrisk felt. Oftest, disse enheder bruger kun to forskellige tilstande, der koder logisk nul og én. Imidlertid, for at simulere biologiske synapser, et kontinuerligt spektrum af ledningsevner skulle bruges i enhederne.

"Den detaljerede fysiske mekanisme bag funktionen af ​​de pågældende memristorer er stadig omdiskuteret. den kvalitative model er som følger:i metal-ultrathinoxid-metalstrukturen, ladepunktsfejl, såsom ledige iltatomer, dannes og bevæger sig rundt i oxidlaget, når de udsættes for et elektrisk felt. Det er disse defekter, der er ansvarlige for den reversible ændring i oxidlagets ledningsevne, " siger medforfatteren til papiret og forskeren ved MIPT's Laboratory of Functional Materials and Devices for Nanoelectronics, Sergey Zakharchenko.

Forfatterne brugte de nyudviklede "analoge" memristorer til at modellere forskellige læringsmekanismer ("plasticitet") af biologiske synapser. I særdeleshed, dette involverede funktioner såsom langtidsforstærkning (LTP) eller langtidsdepression (LTD) af en forbindelse mellem to neuroner. Det er almindeligt accepteret, at disse funktioner er de underliggende mekanismer for hukommelsen i hjernen.

Det lykkedes også forfatterne at demonstrere en mere kompleks mekanisme - spike-timing-afhængig plasticitet, dvs. afhængigheden af ​​værdien af ​​forbindelsen mellem neuroner af den relative tid, det tager for dem at blive "udløst". Det var tidligere blevet vist, at denne mekanisme er ansvarlig for associativ læring - hjernens evne til at finde forbindelser mellem forskellige begivenheder.

For at demonstrere denne funktion i deres memristor-enheder, forfatterne brugte målrettet et elektrisk signal, som gengav, så langt som muligt, signalerne i levende neuroner, og de opnåede en afhængighed meget lig dem, der observeres i levende synapser (se fig. 3).

Disse resultater gjorde det muligt for forfatterne at bekræfte, at de elementer, de havde udviklet, kunne betragtes som en prototype af den "elektroniske synapse, "som kunne bruges som grundlag for hardwareimplementering af kunstige neurale netværk.

"Vi har skabt en basislinjematrix af memristorer i nanoskala, der demonstrerer egenskaberne af biologiske synapser. Takket være denne forskning, vi er nu et skridt tættere på at opbygge et kunstigt neuralt netværk. Det er måske kun det meget enkleste netværk, men det er ikke desto mindre en hardware prototype, " sagde lederen af ​​MIPT's Laboratory of Functional Materials and Devices for Nanoelectronics, Andrey Zenkevich.