AI-modeller og plattformer

Forskere gjør fremskritt med nevromorfisk databehandling

Alex McFarland
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterKAISTs nevromorfe minne emulerer både nevroner og synapser i én enkelt enhetscelle.
Vis mer
  • KAISTs nevromorfe minne emulerer både nevroner og synapser i én enkelt enhetscelle.
  • Enheten erstatter komplekse CMOS-nevronkretser og forbedrer skalerbarhet og kostnadseffektivitet.
  • Den etterligner gjenopplæringseffekten og muliggjør rask gjenlæring av glemt informasjon.

Et team av forskere ved Korea Advanced Institute of Science (KAIST) har rapportert om en nano-størrelse neuromorfe minneenhet som etterligner neuroner og synapser samtidig i en enhetscelle. Den nye fremgangen er et stort skritt mot å oppnå nevromorfisk databehandling som kan etterligne menneskehjernen med halvlederenheter.

Forskningen ble publisert i Nature Communications.

Å realisere AI med nevromorfisk databehandling

Eksperter arbeider med å få nevromorfisk databehandling til å realisere kunstig intelligens (AI) ved å etterligne mekanismene til neuroner og synapser i menneskehjernen. Datamaskiner i dag kan ikke tilby visse kognitive funksjoner i menneskehjernen på grunn av flere begrensninger, men deres potensial har blitt utforsket grundig.

Med det sagt, kan nåværende Complementary Metal-Oxide Semiconductor (CMOS)-baserte neuromorfe kretser koble sammen kunstige neuroner og synapser uten synergistiske interaksjoner. Implementeringen av neuroner og synapser har vist seg å være vanskelig.

For å overvinne disse begrensningene, implementerte forskningsteamet ledet av Professor Keon Jae Lee fra avdelingen for materialvitenskap og -teknologi de biologiske arbeidsmekanismene til mennesker ved å introdusere neuron-synapse-interaksjoner i en enkelt minnecelle. Dette skiller seg fra den tradisjonelle tilnærmingen til å elektrisk koble sammen kunstige neuroner og synapser.

Kunstige synaptiske enheter

De kunstige synaptiske enhetene som tidligere er studert, brukes ofte til å akselerere parallell beregning, som viser tydelige forskjeller fra de operative mekanismene i menneskehjernen. Ved å implementere de synergistiske interaksjonene mellom neuroner og synapser i den neuromorfe minneenheten, kunne mekanismene i det biologiske neurale nettverket etterlignes. Den neuromorfe enheten kan også erstatte komplekse CMOS-neuronkretser med en enkelt enhet, som forbedrer skalerbarhet og kostnadseffektivitet.

Menneskehjernen består av et komplekst nettverk av 100 milliarder neuroner og 100 billioner synapser, og funksjonene og strukturene til disse kan endre seg avhengig av ytre stimuli, som gjør det mulig for dem å tilpasse seg omgivelsene. Den neuromorfe enheten som er utviklet av teamet, gjør det mulig for kort- og langtidsminner å sameksistere ved å bruke flyktige og ikke-flyktige minneenheter som etterligner egenskapene til neuroner og synapser. Flyktig minne representeres av en terskelskifterenhet, mens faseendringsminne brukes som en ikke-flyktig enhet. Med to tynnefilmenheter integrert uten umiddelbare elektroder, kunne funksjonell tilpasning av neuroner og synapser implementeres i den neuromorfe minneenheten.

“Neuroner og synapser interagerer med hverandre for å etablere kognitive funksjoner som minne og læring, så å simulere begge er et essensielt element for hjernen-inspirert kunstig intelligens,” sa Professor Lee. “Den utviklede neuromorfe minneenheten etterligner også re-treningseffekten som gjør det mulig for rask læring av glemt informasjon ved å implementere en positiv tilbakekoblingseffekt mellom neuroner og synapser.”

Alex leder Unite.AI sine AI-drevne nyhetsoperasjoner, og kombinerer journalistikk, forskning og automatisering for å støtte rettidig og skalerbar dekning av kunstig intelligens. Arbeidet hans bidrar til å sikre at nye AI-utviklinger blir fremhevet effektivt samtidig som publikasjonens redaksjonelle standarder opprettholdes.