Forskere gjør fremskritt med nevromorfisk databehandling

Et team av forskere ved Korea Advanced Institute of Science (KAIST) har rapportert om en nevromorf minneenhet i nanostørrelse som emulerer nevroner og synapser samtidig i en enhetscelle. Det nye fremskrittet er et stort skritt mot å oppnå nevromorf databehandling som kan etterligne den menneskelige hjernen med halvlederenheter. 

Forskningen ble publisert i Nature Communications.

Realisere AI med nevromorfisk databehandling

Eksperter jobber med å få nevromorf databehandling til å realisere kunstig intelligens (AI) ved å etterligne mekanismene til nevroner og synapser i den menneskelige hjernen. Nåværende datamaskiner kan ikke gi visse kognitive funksjoner i den menneskelige hjernen på grunn av flere begrensninger, men potensialet deres har blitt grundig utforsket. 

Med det sagt, kobler nåværende komplementære metalloksydhalvleder (CMOS)-baserte nevromorfe kretser sammen kunstige nevroner og synapser uten synergistiske interaksjoner. Implementeringen av nevroner og synapser har vist seg å være vanskelig. 

For å overvinne disse begrensningene, implementerte forskerteamet ledet av professor Keon Jae Lee fra Institutt for materialvitenskap og ingeniørvitenskap de biologiske arbeidsmekanismene til mennesker ved å introdusere nevron-synapse-interaksjonene i en enkelt minnecelle. Dette skiller seg fra den tradisjonelle tilnærmingen for elektrisk tilkobling av kunstige nevronale og synaptiske enheter. 

Kunstige synaptiske enheter

De kunstige synaptiske enhetene som tidligere ble studert brukes ofte til å akselerere parallelle beregninger, noe som viser klare forskjeller fra de operasjonelle mekanismene til den menneskelige hjernen. Ved å implementere de synergistiske interaksjonene mellom nevroner og synapser i den nevromorfe minneenheten, kunne mekanismene til det biologiske nevrale nettverket etterlignes. Den nevromorfe enheten kan også erstatte komplekse CMOS-nevronkretser med en enkelt enhet, noe som forbedrer skalerbarhet og kostnadseffektivitet. 

Den menneskelige hjernen er laget av et komplekst nettverk av 100 milliarder nevroner og 100 billioner synapser, og funksjonene og strukturene til disse kan endres avhengig av ytre stimuli, noe som gjør at de kan tilpasse seg omgivelsene rundt. Den nevromorfe enheten utviklet av teamet gjør det mulig for kortsiktige og langsiktige minner å sameksistere ved å bruke flyktige og ikke-flyktige minneenheter som etterligner egenskapene til nevroner og synapser. Flyktig minne er representert av en terskelbryterenhet, mens faseendringsminne brukes som en ikke-flyktig enhet. Med to tynnfilmsenheter integrert uten umiddelbare elektroder, kan den funksjonelle tilpasningsevnen til nevroner og synapser implementeres i det nevromorfe minnet. 

"Nevroner og synapser samhandler med hverandre for å etablere kognitive funksjoner som hukommelse og læring, så simulering av begge er et viktig element for hjerneinspirert kunstig intelligens," sa professor Lee. "Den utviklede nevromorfe minneenheten etterligner også omskoleringseffekten som tillater rask læring av den glemte informasjonen ved å implementere en positiv tilbakemeldingseffekt mellom nevroner og synapser."