MIT-onderzoekers creëren kunstmatige synapsen die 10,000x sneller zijn dan biologische

Onderzoekers proberen al jaren kunstmatige synapsen te bouwen in de hoop dicht bij de ongeëvenaarde rekenprestaties van het menselijk brein te komen. Een nieuwe aanpak is er nu in geslaagd om die te ontwerpen die 1,000 keer kleiner en 10,000 keer sneller zijn dan hun biologische tegenhangers.

Ondanks het doorslaande succes van diepgaand leren in de afgelopen tien jaar heeft deze door het brein geïnspireerde benadering van AI staat voor de uitdaging dat het draait op hardware die weinig lijkt op echte hersenen. Dit is voor een groot deel de reden waarom een ​​menselijk brein van slechts drie pond nieuwe taken in enkele seconden kan opnemen met dezelfde hoeveelheid stroom als een gloeilamp, terwijl het trainen van de grootste neurale netwerken weken, megawattuur elektriciteit en racks kost van gespecialiseerde verwerkers.

Dat leidt tot een groeiende belangstelling voor pogingen om de onderliggende hardware waarop AI draait opnieuw te ontwerpen. Het idee is dat we door computerchips te bouwen waarvan de componenten meer als natuurlijke neuronen en synapsen werken, de extreme ruimte- en energie-efficiëntie van het menselijk brein kunnen benaderen. De hoop is dat deze zogenaamde "neuromorfe" processors veel beter geschikt zouden kunnen zijn voor het draaien van AI dan de huidige computer chips.

Nu hebben onderzoekers van het MIT aangetoond dat een ongewoon kunstmatig synapsontwerp dat de afhankelijkheid van de hersenen van pendelende ionen nabootst, in feite aanzienlijk beter zou kunnen presteren dan biologische. De belangrijkste doorbraak was het vinden van een materiaal dat extreme elektrische velden verdraagt, wat de snelheid waarmee ionen konden bewegen drastisch verbeterde.

"De snelheid was zeker verrassend,” Murat Onen, die het onderzoek leidde, zei in een persbericht. “Normaal zouden we zulke extreme velden niet op verschillende apparaten toepassen, om ze niet in as te veranderen. Maar in plaats daarvan pendelden protonen [die equivalent zijn aan waterstofionen] met enorme snelheden over de apparatenstapel, met name een miljoen keer sneller in vergelijking met wat we eerder hadden.

Hoewel er zijn a verschillende benaderingen van neuromorfische engineering, een van de meest veelbelovende is analoog computergebruik. Dit is bedoeld om componenten te ontwerpen die hun interne fysica kunnen gebruiken om informatie te verwerken, wat veel efficiënter en directer is dan het uitvoeren van complexe logische bewerkingen zoals conventionele chips.

Tot nu toe is veel onderzoek gericht geweest op het ontwerpen vanmemristors"—elektronische componenten die de stroom van stroom regelen op basis van hoeveel lading er eerder is gestroomded via het apparaat. Dit bootst de manier na waarop verbindingen tussen biologische neuronen in sterkte toenemen of afnemen, afhankelijk van de frequentie waarmee ze communiceren, wat betekent dat deze apparaten in principe kunnen worden gebruikt om netwerken te creëren met vergelijkbare eigenschappen als biologische neurale netwerken.

Het is misschien niet verwonderlijk dat deze apparaten vaak worden gebouwd met behulp van geheugentechnologieën. Maar in een nieuwe papier in Wetenschap, de MIT-onderzoekers stellen dat componenten die zijn geoptimaliseerd voor informatieopslag op de lange termijn eigenlijk niet geschikt zijn voor het uitvoeren van de reguliere toestandsovergangen die nodig zijn om de verbindingssterkten in een kunstmatig neuraal netwerk voortdurend af te stemmen. Dat komt omdat fysieke eigenschappen die zorgen voor lange retentietijden doorgaans niet complementair zijn aan die welke snelle schakeling mogelijk maken.

Daarom hebben de onderzoekers in plaats daarvan een component ontworpen waarvan de geleidbaarheid wordt geregeld door het inbrengen of verwijderen van protonen in een kanaal van fosfosilicaatglas (PSG). Tot op zekere hoogte bootst dit het gedrag na van biologische synapsen, die ionen gebruiken om signalen over de opening tussen twee neuronen te verzenden.

Dat is echter waar de gelijkenisies einde. Het apparaat heeft twee terminals die in wezen de input en de output van de synaps zijn. Een derde terminal wordt gebruikt om een ​​elektrisch veld aan te leggen, dat protonen stimuleert om van een reservoir naar het PSG-kanaal te gaan of omgekeerd, afhankelijk van de richting van het elektrische veld. Meer protonen in het kanaal verhogen de weerstand.

De onderzoekers kwam hiermee klaar algemeen ontwerp terug in 2020, maar hun eerdere apparaat gebruikte materialen die niet compatibel waren met chipontwerpprocessen. Maar wat nog belangrijker is, de overstap naar PSG heeft de schakelsnelheid van hun apparaat drastisch verhoogd. Dat komt omdat poriën van nanogrootte in de structuur ervoor zorgen dat de protonen zeer snel door het materiaal kunnen bewegen, en ook omdat het bestand is tegen zeer sterke elektrische veldpulsen zonder degradatie.

Krachtigere elektrische velden geven de protonen een enorme snelheidsboost en zijn essentieel voor het vermogen van het apparaat om biologische synapsen te overtreffen. In de hersenen moeten elektrische velden relatief zwak worden gehouden, omdat alles boven de 1.23 volt (V) ervoor zorgt dat er water ontstaats het grootste deel van de cellen opsplitsen in waterstof en zuurstofgas. Dit is grotendeels de reden waarom neurologische processen plaatsvinden op de schaal van milliseconden.

Het apparaat van het MIT-team daarentegen kan tot 10 volt werken in pulsen van slechts 5 nanoseconden. Hierdoor kan de kunstmatige synaps 10,000 keer sneller werken dan zijn biologische tegenhangers. Bovendien zijn de apparaten slechts nanometers groot, waardoor ze 1,000 keer kleiner zijn dan biologische synapsen.

Experts vertelde New Scientist dat de opstelling met drie terminals van het apparaat, in tegenstelling tot de twee die in de meeste neuronmodellen worden gevonden, het moeilijk kan maken om bepaalde soorten neurale netwerken te gebruiken. Het feit dat de protonen met waterstofgas moeten worden ingebracht, levert ook uitdagingen op bij het opschalen van de technologie.

Er is een lange weg te gaan van een individuele kunstmatige synaps naar grote netwerken die in staat zijn serieuze informatieverwerking uit te voeren. Maar de uitzonderlijke snelheid en het kleine formaat van de componenten suggereren dat dit een veelbelovende richting is in de zoektocht naar nieuwe hardware die de kracht van het menselijk brein kan evenaren of zelfs overtreffen.

Krediet van het beeld: Ella Maru Studio/Murat Onen