Unvollkommenheit ist kein Problem für künstliche Synapsen

Unter Verwendung einer Strategie, die die Kodierung von Informationen in unserem Gehirn nachahmt, hat ein Trio von Forschern in China eine neue Plattform für künstliche Intelligenz (KI) vorgeschlagen, die weitaus robuster sein könnte als bestehende Architekturen. Der Ansatz, der noch im Labor implementiert werden muss, nutzt die unvermeidliche Ungleichmäßigkeit künstlicher Neuronen, die durch Defekte in echten magnetischen Materialien verursacht werden.

Die Forschung wurde von Zhe Yuan, Ya Qiao und Yajun Zhang am Center for Advanced Quantum Studies and durchgeführt Institut für Physik an der Beijing Normal University.

Bisher wurden die neuesten Fortschritte in der künstlichen Intelligenz (KI) hauptsächlich mit herkömmlicher digitaler Computerhardware erzielt. Es wird jedoch deutlich, dass herkömmliche Siliziumgeräte nicht ideal für KI sind, und Forscher entwickeln neuromorphe Architekturen, die die Struktur und Funktion des menschlichen Gehirns nachahmen. Diese Systeme versprechen, sowohl die Rechengeschwindigkeit als auch die Energieeffizienz von KI-Systemen zu steigern.

Nachahmung von Synapsen

Die zugrunde liegende Architektur einiger neuromorpher Computersysteme umfasst winzige Speichergeräte – die stellvertretend für die Neuronen in unserem Gehirn stehen. Diese sind durch Memristoren miteinander verbunden – die ihren Widerstand als Reaktion auf den durch sie fließenden Strom ändern. Dadurch können sie die Synapsen nachahmen, die für die Übermittlung elektrischer Signale zwischen Neuronen verantwortlich sind. Diese Signale ändern ihre Stärke im Laufe der Zeit, wenn Informationen gelernt und verloren werden.

Eine Herausforderung bei der Schaffung neuromorpher Computersysteme mit bestehenden Herstellungs- und Mikrobearbeitungstechniken besteht darin, dass es schwierig sein kann, die Einheitlichkeit der Komponentenvorrichtungen sicherzustellen. Das bedeutet, dass ihre Leistung sehr unterschiedlich sein kann. Wenn diese Variation zu groß ist, kann sie die Genauigkeit des Gesamtsystems stark einschränken.

Yuan weist jedoch darauf hin, dass diese Uneinheitlichkeit nicht unbedingt ein Problem sein muss – solange der richtige Ansatz gewählt wird. „Wir haben sicherlich keine identischen Zellen in unserem Gehirn, und es gibt auch zufällige Prozesse in der neuronalen Dynamik des Gehirns“, sagt er. „Trotzdem können Menschen ohne große Schwierigkeiten präzise Aufgaben der Wahrnehmung und Bewegung ausführen.“

Bevölkerungscodierung

In ihrer Studie untersuchten Yuan und Kollegen eine vielversprechende Strategie zur Reproduktion dieser natürlichen Variation. Dieser als „Populationscodierung“ bezeichnete Ansatz repräsentiert Informationen in der kollektiven Aktivität einer Population von Neuronen und nicht in einzelnen Zellen.

Wie Yuan erklärt, ahmt dieses Szenario die Funktion des Gehirns tatsächlich genauer nach als Systeme identischer Neuronen. „Im Gehirn werden Informationen über Positionen, Richtungen, Farben und andere kontinuierliche Variablen normalerweise von einer Gruppe von Zellen kodiert“, sagt er. „Auf diese Weise werden die Informationen kaum durch Rauschen einzelner Zellen beeinflusst.“

Quanten-Memristor ebnet den Weg für neuromorphes Quantencomputing

Durch die Implementierung von Populationscodierung berechneten die Forscher, wie die Memristorsynapsen, die künstliche Neuronen verbinden, mithilfe von Domänenwänden implementiert werden können. Das sind Strukturen in ferromagnetischen Materialien, die die Grenzen zwischen Bereichen unterschiedlicher magnetischer Orientierung markieren. Die Position einer Domänenwand in einem Material kann verschoben werden, indem ein elektrischer Strom durch das Material geleitet wird – was die Basis für einen Domänenwand-Synapsen-Memristor bildet.

Das Trio hat berechnet, dass durch die Verwendung solcher Domänenwand-Memristoren die Ungleichförmigkeit von Komponentengeräten ein Vorteil sein kann. „Wir zeigen, dass selbst der Einsatz dieser höchst ungleichmäßigen Geräte durch die Anwendung einer Populationscodierungsstrategie die Leistung eines neuronalen Netzwerks erheblich verbessern kann“, erklärt Yuan.

Ihre Forschung legt nahe, dass die Verwendung von Populationscodierung zur Nutzung von Domain-Wall-Synapsen einen Weg zu robusteren neuromorphen Computersystemen bietet, deren Leistung mit der von traditionelleren digitalen Computern vergleichbar ist.

Das Team von Yuan glaubt auch, dass ihr Ansatz auch auf andere Arten von neuromorphen Komponenten angewendet werden kann, darunter resistive, Phasenänderungs- und ferroelektrische Geräte.

Die Forschung ist beschrieben in Neues Journal für Physik.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoAiStream. Web3-Datenintelligenz. Wissen verstärkt. Hier zugreifen.
• Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
• Quelle: https://physicsworld.com/a/imperfection-is-not-a-problem-for-artificial-synapses/