Ulempen med den konvensjonelle von Neumann databehandlingsmetodens høye strømforbruk har blitt overvunnet ved utviklingen av nevromorfe datasystemer, som imiterer den menneskelige hjernen.
Konseptbilde av artikkelen. Bildekreditt: Korea Institute of Science and Technology (KIST).
Implementeringen av en halvlederenhet som bruker en hjerneinformasjonsoverføringsteknikk krever en høyytelses, analog kunstig synapseenhet som kan uttrykke forskjellige synaptiske tilkoblingsstyrker. Denne teknikken utnytter signaler som sendes når et nevron produserer et piggsignal.
Når man vurderer de tradisjonelle motstandsvariable minneenhetene som ofte brukes som kunstige synapser, bygges det elektriske feltet ettersom filamentet vokser med varierende motstand, og genererer et tilbakemeldingsfenomen som fører til rask filamentvekst.
Som et resultat er det utfordrende å innlemme mye plastisitet og holde analog (gradvis) motstandsfluktuasjon avhengig av filamenttype.
Dr. YeonJoo Jeongs team ved Center for Neuromorphic Engineering ved Korea Institute of Science and Technology har overvunnet de langvarige problemene med analoge synaptiske egenskaper, plastisitet og informasjonsbevaring i memristorer og nevromorfe halvlederenheter.
Han erklærte etableringen av en syntetisk synaptisk halvlederenhet som er i stand til ekstremt pålitelig nevromorf databehandling.
Ytelsen til nåværende nevromorfe halvlederenheter ble hemmet av beskjeden synaptisk plastisitet, som KIST-forskerteamet tok for seg ved å justere redoksegenskapene til aktive elektrodeioner.
I tillegg ble flere overgangsmetaller dopet og brukt i den synaptiske enheten for å endre sannsynligheten for at aktive elektrodeioner vil redusere. Den høye reduksjonssannsynligheten for ioner ble vist å være en avgjørende faktor for å skape høyytelses kunstige synaptiske enheter.
Studieteamet la derfor til et titanovergangsmetall med høy ionereduksjonssannsynlighet til en allerede eksisterende kunstig synaptisk enhet.
Dette bevarer de analoge egenskapene til synapsen og enhetens plastisitet ved den biologiske hjernens synapse, som er rundt fem ganger forskjellen mellom høy og lav motstand.
Teamet laget også en høyytelses nevromorf halvleder som er rundt 50 ganger mer effektiv.
Sammenlignet med den nåværende kunstige synaptiske enheten, ble informasjonsretensjon forbedret opptil 63 ganger på grunn av den høye legeringsformasjonsreaksjonen som involverer det dopede titanovergangsmetallet. Mer nøyaktige simuleringer av visse hjerneprosesser, som langvarig depresjon og potensering, kan også gjøres.
Ved å bruke den kunstige synaptiske enheten de hadde konstruert, prøvde teamet å implementere et kunstig nevralt nettverkslæringsmønster for bildegjenkjenning. Som en konsekvens, sammenlignet med den nåværende kunstige synaptiske enheten, ble feilraten redusert med mer enn 60 %.
I tillegg økte gjenkjenningsnøyaktigheten for håndskriftbildemønster (MNIST) med mer enn 69 %. Ved å forbedre den kunstige synaptiske enheten, demonstrerte forskerteamet levedyktigheten til et nevromorfisk datasystem med høy ytelse.
Denne studien forbedret det synaptiske bevegelsesområdet og informasjonsbevaring drastisk, som var de største tekniske barrierene for eksisterende synaptiske etterligninger. I den utviklede kunstige synapseenheten har enhetens analoge operasjonsområde for å uttrykke synapsens ulike tilkoblingsstyrker blitt maksimert, slik at ytelsen til hjernesimuleringsbasert kunstig intelligensdatabehandling vil bli forbedret.
Dr. YeonJoo Jeong, seniorforsker, Center for Neuromorphic Engineering, Korea Institute of Science and Technology
Dr. Jeong la til, “I oppfølgingsforskningen vil vi produsere en nevromorf halvlederbrikke basert på den utviklede kunstige synapseenheten for å realisere et høyytelses kunstig intelligenssystem, og derved ytterligere forbedre konkurranseevnen i det innenlandske systemet og kunstig intelligens halvlederfeltet.”
Journalreferanse
Kang, J., et al. (2022) Analog memristor av klyngetype ved å konstruere redoksdynamikk for høyytelses nevromorf databehandling. Naturkommunikasjon. doi:10.1038/s41467-022-31804-4.
Kilde: https://eng.kist.re.kr/eng/index.do