Neuromorf databehandling efterligner vigtige hjernefunktioner

(Phys.org)—Når du hører en lyd, kun nogle af neuronerne i din hjernes auditive cortex er aktiveret. Dette skyldes, at hvert auditivt neuron er indstillet til et bestemt lydområde, så hver neuron er mere følsom over for bestemte typer og niveauer af lyd end andre. I en ny undersøgelse, forskere har designet et neuromorfisk ("hjerne-inspireret") computersystem, der efterligner denne neurale selektivitet ved at bruge kunstige niveau-tunede neuroner, der fortrinsvis reagerer på specifikke typer af stimuli.

I fremtiden, niveau-tunede neuroner kan hjælpe med at sætte neuromorfe computersystemer i stand til at udføre opgaver, som traditionelle computere ikke kan, såsom at lære af deres omgivelser, mønster genkendelse, og videnudvinding fra store datakilder.

Forskerne, Angeliki Pantazi et al ., hos IBM Research-Zurich og École Polytechnique Fédérale de Lausanne, både i Schweiz, har udgivet et papir om den nye neuromorfe arkitektur i et nyligt nummer af Nanoteknologi .

Som alle neuromorfe computerarkitekturer, det foreslåede system er baseret på neuroner og deres synapser, som er de knudepunkter, hvor neuroner sender signaler til hinanden. I dette studie, forskerne implementerede fysisk kunstige neuroner ved hjælp af faseændringsmaterialer. Disse materialer har to stabile tilstande:en krystallinsk, lav-resistivitetstilstand og en amorf, tilstand med høj resistivitet. Ligesom i traditionel computer, tilstandene kan skiftes ved påføring af en spænding. Når neurons ledningsevne når en vis tærskel, neuronen affyrer.

"Vi har demonstreret, at faseændringsbaserede memristive enheder kan bruges til at skabe kunstige neuroner og synapser til at lagre og behandle data, " fortalte medforfatter Evangelos Eleftheriou ved IBM Research-Zurich Phys.org . "En faseændringsneuron bruger fasekonfigurationen af ​​faseændringsmaterialet til at repræsentere dets indre tilstand, membranpotentialet. For faseændringssynapsen, den synaptiske vægt - som er ansvarlig for plasticiteten - er kodet af nanoenhedens ledningsevne."

I denne arkitektur, hver neuron er indstillet til et bestemt område, eller niveau. Neuroner modtager signaler fra mange andre neuroner, og et niveau er defineret som det kumulative bidrag af summen af ​​disse indkommende signaler.

"Vi har introduceret den biologisk inspirerede arkitektur af niveau-tunede neuroner, der er i stand til at skelne forskellige mønstre på en uovervåget måde, " sagde Eleftheriou. "Dette er vigtigt for udviklingen af ​​ultratæt, skalerbar og energieffektiv neuromorfisk databehandling."

En af de vigtigste fordele ved disse meget selektive niveau-tunede neuroner er deres forbedrede indlæringsevne. I neuromorfisk databehandling, læring sker gennem gentagne indkommende signaler, som styrker visse synaptiske forbindelser. Forskerne viste, at niveaujusterede neuroner er meget gode til at lære flere inputmønstre, selv ved tilstedeværelse af inputstøj.

"Selv en enkelt neuron kan bruges til at detektere mønstre og til at opdage korrelationer i realtidsstrømme af begivenhedsbaserede data, " sagde Eleftheriou. "Niveau-tunede neuroner øger muligheden for et enkelt-neuron-netværk til at skelne information, når flere mønstre vises ved input. Niveaujusterede neuroner, sammen med højhastigheds- og lavenergiegenskaberne ved deres faseændringsbaserede implementering, vil være særlig nyttig til forskellige nye applikationer, såsom Internet of Things, der indsamler og analyserer store mængder sensorisk information og applikationer for at opdage mønstre i datakilder, fra sociale medier for at opdage trends, eller vejrdata til prognoser i realtid, eller sundhedsdata for at opdage mønstre i sygdomme, etc."

I fremtiden, forskerne planlægger at videreudvikle konceptet med kunstige niveau-tunede neuroner for at designe forbedrede storskala neurale netværk.

"Vi vil undersøge mere komplekse beregningsopgaver baseret på kunstige piggede neuroner og deres synapser, " sagde Eleftheriou. "Vi er interesserede i at studere skaleringspotentialet og anvendelserne af sådanne neuromorfe systemer i kognitive computersystemer."

© 2016 Phys.org