AI-modeller och plattformar

Forskare gör framsteg med neuromorfisk beräkning

Alex McFarland
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterKAIST:s neuromorfa minne emulerar både neuroner och synapser i en enda enhetscell.
Visa mer
  • KAIST:s neuromorfa minne emulerar både neuroner och synapser i en enda enhetscell.
  • Enheten ersätter komplexa CMOS-neuronkretsar, vilket förbättrar skalbarhet och kostnadseffektivitet.
  • Den efterliknar omskolningseffekten och möjliggör snabb inlärning av glömd information.

Ett team av forskare vid Korea Advanced Institute of Science (KAIST) har rapporterat en nanostor neuromorfisk minnesenhet som emulerar neuroner och synapser samtidigt i en enhetscell. Det nya framsteget är ett stort steg mot att uppnå neuromorfisk beräkning som kan imitera den mänskliga hjärnan med halvledarenheter.

Forskningen publicerades i Nature Communications.

Att förverkliga AI med neuromorfisk beräkning

Experter arbetar på att få neuromorfisk beräkning att förverkliga artificiell intelligens (AI) genom att imitera mekanismerna för neuroner och synapser i den mänskliga hjärnan. Dagens datorer kan inte tillhandahålla vissa kognitiva funktioner i den mänskliga hjärnan på grund av flera begränsningar, men deras potential har undersökts grundligt.

Med det sagt kan nuvarande Complementary Metal-Oxide Semiconductor (CMOS)-baserade neuromorfiska kretsar ansluta artificiella neuroner och synapser utan synergistiska interaktioner. Implementeringen av neuroner och synapser har visat sig vara svår.

För att övervinna dessa begränsningar införde forskarteamet, lett av professor Keon Jae Lee från avdelningen för materialvetenskap och teknik, de biologiska arbetsmekanismerna för människor genom att införa neuron-synapsinteraktioner i en enda minnescell. Detta skiljer sig från den traditionella metoden att elektriskt ansluta artificiella neuronal och synaptiska enheter.

Artificiella synaptiska enheter

De artificiella synaptiska enheter som tidigare studerats används ofta för att accelerera parallella beräkningar, vilket visar tydliga skillnader från de operativa mekanismerna i den mänskliga hjärnan. Genom att implementera de synergistiska interaktionerna mellan neuroner och synapser i den neuromorfiska minnesenheten kunde mekanismerna för den biologiska neurala nätverket emuleras. Den neuromorfiska enheten kan också ersätta komplexa CMOS-neuronkretsar med en enda enhet, vilket förbättrar skalbarhet och kostnadseffektivitet.

Den mänskliga hjärnan består av ett komplext nätverk av 100 miljarder neuroner och 100 biljoner synapser, och funktionerna och strukturerna för dessa kan förändras beroende på yttre stimuli, vilket tillåter dem att anpassa sig till omgivningen. Den neuromorfiska enheten som utvecklats av teamet möjliggör kort- och långtidsminnen att samexistera med flyktiga och icke-flyktiga minnesenheter som imiterar egenskaperna hos neuroner och synapser. Flyktig minnesenhet representeras av en tröskelomkopplare, medan fas-ändringsminne används som en icke-flyktig enhet. Med två tunnfilmsenheter integrerade utan omedelbara elektroder kunde den funktionella anpassningen av neuroner och synapser implementeras i den neuromorfiska minnesenheten.

“Neuroner och synapser interagerar med varandra för att etablera kognitiva funktioner som minne och inlärning, så att simulera båda är ett väsentligt element för hjärninspirerad artificiell intelligens”, sa professor Lee. “Den utvecklade neuromorfiska minnesenheten imiterar också den omtränings-effekt som tillåter snabb inlärning av glömd information genom att implementera en positiv återkopplings-effekt mellan neuroner och synapser.”

Alex leder Unite.AI:s AI-drivna nyhetsverksamhet, som kombinerar journalistik, forskning och automation för att stödja snabb och skalbar bevakning av artificiell intelligens. Hans arbete hjälper till att säkerställa att framväxande AI‑utvecklingar lyfts fram effektivt samtidigt som publikationens redaktionella standarder upprätthålls.