Memristoren bilden vielseitige künstliche Synapsen für neuromorphes Computing – Physics World

Die meisten modernen Computer – von primitiven, raumfüllenden Giganten wie dem ENIAC bis hin zum Smartphone in Ihrer Tasche – basieren auf einer Reihe von Prinzipien, die der Mathematiker John von Neumann 1945 festgelegt hat. Diese sogenannte von Neumann-Architektur beinhaltet viele bekannte Elemente, darunter eine Zentraleinheit, ein Speicher zum Speichern von Daten und Anweisungen sowie Eingabe- und Ausgabegeräte. Trotz seiner Allgegenwart ist von Neumanns Modell jedoch nicht die einzige Möglichkeit, einen Computer zu bauen, und für einige Anwendungen ist es auch nicht die wünschenswerteste.

Eine neue Alternative ist das sogenannte neuromorphe Computing. Wie der Name schon sagt, sind neuromorphe Computer von der Architektur des menschlichen Gehirns inspiriert und nutzen hochgradig vernetzte künstliche Neuronen und künstliche Synapsen, um die Struktur und Funktionen des Gehirns zu simulieren. Für Forscher wie Le Zhao aus China Technische Universität QiluDieses neuromorphe Modell bietet eine fantastische Gelegenheit, ein neues Paradigma für die Datenverarbeitung zu entwickeln – solange wir künstliche Neuronen und Synapsen entwickeln können, die die richtigen Eigenschaften haben.

In einem kürzlich veröffentlichten Artikel in Material-FuturesZhao und Kollegen beschreiben, wie man einen Memristor – im Wesentlichen einen Schalter, der sich „merkt“, in welchem ​​elektrischen Zustand er sich befand, auch nach dem Abschalten der Stromversorgung – verwendet, um die Funktion einer Synapse im Gehirn zu emulieren. Hier erklärt er die Ziele und Pläne des Teams.

Was war die Motivation Ihrer Forschung?

Wir versuchen, neuromorphe Systeme zu entwickeln, die die aktuelle Von-Neumann-Rechnerarchitektur hinsichtlich der Senkung des Energieverbrauchs und der Steigerung der Intelligenz übertreffen können. Viele dieser Systeme erfordern elektronische Geräte mit mehreren Dynamiken, um die gewünschten Funktionen zu erreichen. Diese vielfältigen Anforderungen, wie beispielsweise die Koexistenz flüchtiger und nichtflüchtiger Schaltdynamiken, können in einzelnen memristiven Bauelementen kaum erfüllt werden.

Aus diesem Grund beruht die Realisierung gezielter Anwendungen meist auf maßgeschneiderten neuronalen Schaltkreisdesigns aus Memristoren mit unterschiedlichen dynamischen Eigenschaften. Das Problem besteht darin, dass diese Abhängigkeit von mehreren maßgeschneiderten Designs die Entwicklung kompakter neuromorpher Systeme mit geringem Stromverbrauch einschränkt. Daher ist es von großer Bedeutung, mehrere inhärente Dynamiken in ein einzelnes Gerät zu integrieren und multifunktionale neuromorphe Geräte zu entwickeln, beispielsweise einen vielseitigen synaptischen Emulator, der die Funktionen biologischer Synapsen mit nur einem einzigen Gerät vollständig simulieren kann.

Dies hat den Vorteil, dass die Universalität des Geräts die Rechenkomplexität des Systems erhöhen kann, ohne das Material- und Flächenbudget zu erhöhen. Auf diese Weise können wir eine hocheffiziente Rechenleistung in biologischen Nervensystemen erreichen. Die Entwicklung von Geräten mit komplexeren dynamischen Eigenschaften ist daher ein entscheidender Ansatz zur Realisierung eines gehirnähnlichen Computersystems.

Was haben Sie in der Zeitung gemacht?

Wir haben erfolgreich eine künstliche Synapse mit mehreren synaptischen Funktionen und hochadaptiven Eigenschaften basierend auf einem einfachen SrTiO entwickelt₃/Nb: SrTiO₃ Heteroübergang. Diese künstliche Synapse unterstützt viele Funktionen des synaptischen Lernens, darunter Kurzzeit-/Langzeitplastizität (STP/LTP), den Übergang von STP zu LTP, Lern-, Vergessens- und Neulernverhalten, assoziatives Lernen und dynamische Filterung. Wir haben alle diese Funktionen biorealistisch in einem einzigen Gerät umgesetzt.

Quanten-Memristor ebnet den Weg für neuromorphes Quantencomputing

Unser multifunktionaler synaptischer Emulator verfügt über eine fortschrittliche Rechenleistung, obwohl er auf einer einfachen Heterostruktur basiert. Wir glauben daher, dass es ein großes Potenzial für Anwendungen in kompakten neuromorphen Computersystemen mit geringem Stromverbrauch aufweist. Unsere Ergebnisse legen nahe, dass unsere künstlichen Synapsen, die verschiedene synaptische Funktionen mit einer einfachen Struktur kombinieren, potenzielle Kandidaten für vielseitige neuromorphe Computergeräte sind.

Was haben Sie als nächstes vor?

Wir werden an der Entwicklung vielseitigerer künstlicher Synapsengeräte arbeiten. Beispielsweise entwickeln wir multimodale synaptische Geräte, die den Lern- und Gedächtnisprozess des menschlichen Gehirns simulieren können, indem sie verschiedene Wahrnehmungen wie Sehen, Riechen und Hören synergetisch kombinieren.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• ChartPrime. Verbessern Sie Ihr Handelsspiel mit ChartPrime. Hier zugreifen.
• BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
• Quelle: https://physicsworld.com/a/memristors-make-versatile-artificial-synapses-for-neuromorphic-computing/