Als het gaat om verwerkingskracht, het menselijk brein kan gewoon niet kloppen.

Verpakt in de squishy, orgel ter grootte van een voetbal zijn ongeveer 100 miljard neuronen. Op elk moment, een enkel neuron kan instructies doorgeven aan duizenden andere neuronen via synapsen - de ruimten tussen neuronen, waarover neurotransmitters worden uitgewisseld. Er zijn meer dan 100 biljoen synapsen die de neuronsignalering in de hersenen bemiddelen, het versterken van sommige verbindingen terwijl anderen snoeien, in een proces dat de hersenen in staat stelt patronen te herkennen, onthoud feiten, en andere leertaken uit te voeren, met bliksemsnelheden.

Onderzoekers in het opkomende gebied van "neuromorphic computing" hebben geprobeerd computerchips te ontwerpen die werken als het menselijk brein. In plaats van berekeningen uit te voeren op basis van binaire, aan/uit signalering, zoals digitale chips tegenwoordig doen, de elementen van een "brein op een chip" zouden analoog werken, het uitwisselen van een gradiënt van signalen, of "gewichten, "Net zoals neuronen die op verschillende manieren worden geactiveerd, afhankelijk van het type en het aantal ionen dat door een synaps stroomt.

Op deze manier, kleine neuromorfe chips kunnen, zoals de hersenen, efficiënt miljoenen stromen parallelle berekeningen verwerken die momenteel alleen mogelijk zijn met grote banken supercomputers. Maar een belangrijk obstakel op weg naar dergelijke draagbare kunstmatige intelligentie was de neurale synaps, wat bijzonder lastig was om in hardware te reproduceren.

Nu hebben ingenieurs van MIT een kunstmatige synaps zo ontworpen dat ze de sterkte van een elektrische stroom die erdoorheen vloeit nauwkeurig kunnen regelen. vergelijkbaar met de manier waarop ionen tussen neuronen stromen. Het team heeft een kleine chip gebouwd met kunstmatige synapsen, gemaakt van siliciumgermanium. Bij simulaties, de onderzoekers ontdekten dat de chip en zijn synapsen kunnen worden gebruikt om handschriftmonsters te herkennen, met 95 procent nauwkeurigheid.

Het ontwerp, vandaag gepubliceerd in het tijdschrift Natuurmaterialen , is een grote stap in de richting van het bouwen van draagbare, low-power neuromorfische chips voor gebruik bij patroonherkenning en andere leertaken.

Het onderzoek werd geleid door Jeehwan Kim, the Class of 1947 Career Development Assistant Professor in de afdelingen Werktuigbouwkunde en Materials Science and Engineering, en een hoofdonderzoeker in MIT's Research Laboratory of Electronics and Microsystems Technology Laboratories. Zijn co-auteurs zijn Shinhyun Choi (eerste auteur), Scott Tan (co-eerste auteur), Zefan Li, Yunjo Kim, Chanyeol Choi, en Hanwool Yeon van MIT, samen met Pai-Yu Chen en Shimeng Yu van de Arizona State University.

Te veel paden

De meeste neuromorfische chipontwerpen proberen de synaptische verbinding tussen neuronen na te bootsen met behulp van twee geleidende lagen die worden gescheiden door een "schakelmedium, " of synaps-achtige ruimte. Wanneer een spanning wordt aangelegd, ionen moeten in het schakelmedium bewegen om geleidende filamenten te creëren, vergelijkbaar met hoe het "gewicht" van een synaps verandert.

Maar het was moeilijk om de stroom van ionen in bestaande ontwerpen te beheersen. Kim zegt dat dat komt omdat de meeste schakelende media, gemaakt van amorfe materialen, hebben onbeperkte mogelijke paden waardoor ionen kunnen reizen - een beetje zoals Pachinko, een mechanisch arcadespel dat kleine stalen balletjes door een reeks pinnen en hefbomen naar beneden laat zakken, die werken om de ballen uit de machine te leiden of af te leiden.

Net als Pachinko, bestaande schakelmedia bevatten meerdere paden die het moeilijk maken om te voorspellen waar ionen doorheen zullen komen. Kim zegt dat dit ongewenste niet-uniformiteit kan creëren in de uitvoering van een synaps.

"Als je eenmaal wat spanning toepast om wat gegevens met je kunstmatige neuron weer te geven, je moet het wissen en op exact dezelfde manier opnieuw kunnen schrijven, " zegt Kim. "Maar in een amorfe vaste stof, als je weer schrijft, de ionen gaan in verschillende richtingen omdat er veel defecten zijn. Deze stroom verandert, en het is moeilijk te controleren. Dat is het grootste probleem:niet-uniformiteit van de kunstmatige synaps."

Een perfecte mismatch

In plaats van amorfe materialen als kunstmatige synaps te gebruiken, Kim en zijn collega's keken naar monokristallijn silicium, een defectvrij geleidend materiaal gemaakt van atomen die in een continu geordende uitlijning zijn gerangschikt. Het team streefde naar een nauwkeurige, eendimensionaal lijndefect, of dislocatie, door het silicium, waardoor ionen voorspelbaar zouden kunnen stromen.

Om dit te doen, de onderzoekers begonnen met een plak silicium, lijkt op, bij microscopische resolutie, een kippengaaspatroon. Vervolgens groeiden ze een soortgelijk patroon van siliciumgermanium - een materiaal dat ook vaak in transistors wordt gebruikt - bovenop de siliciumwafel. Het rooster van siliciumgermanium is iets groter dan dat van silicium, en Kim vonden dat samen, de twee perfect niet op elkaar afgestemde materialen kunnen een trechterachtige dislocatie vormen, het creëren van een enkel pad waardoor ionen kunnen stromen.

De onderzoekers fabriceerden een neuromorfische chip bestaande uit kunstmatige synapsen gemaakt van siliciumgermanium, elke synaps meet ongeveer 25 nanometer breed. Ze legden spanning op elke synaps en ontdekten dat alle synapsen min of meer dezelfde stroom vertoonden, of stroom van ionen, met ongeveer 4 procent variatie tussen synapsen - een veel uniformere prestatie vergeleken met synapsen gemaakt van amorf materiaal.

Ze testten ook een enkele synaps over meerdere proeven, dezelfde spanning toepassen over 700 cycli, en ontdekte dat de synaps dezelfde stroom vertoonde, met slechts 1 procent variatie van cyclus tot cyclus.

"Dit is het meest uniforme apparaat dat we kunnen bereiken, wat de sleutel is tot het demonstreren van kunstmatige neurale netwerken, ' zegt Kim.

Schrijven, erkend

Als laatste test, Het team van Kim onderzocht hoe het apparaat zou presteren als het daadwerkelijke leertaken zou uitvoeren, met name voorbeelden van handschrift herkennen, die onderzoekers beschouwen als een eerste praktische test voor neuromorfe chips. Dergelijke chips zouden bestaan ​​uit "input/hidden/output neuronen, " elk verbonden met andere "neuronen" via op filamenten gebaseerde kunstmatige synapsen.

Wetenschappers geloven dat dergelijke stapels neurale netten kunnen worden gemaakt om te 'leren'. Bijvoorbeeld, wanneer een invoer wordt ingevoerd die een handgeschreven '1 is, ' met een uitvoer die het labelt als '1, ' bepaalde output-neuronen worden geactiveerd door input-neuronen en gewichten van een kunstmatige synaps. Als er meer voorbeelden van handgeschreven 'enen' in dezelfde chip worden ingevoerd, dezelfde output-neuronen kunnen worden geactiveerd wanneer ze vergelijkbare kenmerken detecteren tussen verschillende monsters van dezelfde letter, dus "leren" op een manier die vergelijkbaar is met wat de hersenen doen.

Kim en zijn collega's voerden een computersimulatie uit van een kunstmatig neuraal netwerk bestaande uit drie lagen neurale lagen verbonden via twee lagen kunstmatige synapsen, waarvan ze de eigenschappen baseerden op metingen van hun werkelijke neuromorfe chip. Ze voerden in hun simulatie tienduizenden voorbeelden uit een handgeschreven herkenningsdataset die vaak wordt gebruikt door neuromorfische ontwerpers, en ontdekten dat hun neurale netwerkhardware 95 procent van de tijd handgeschreven voorbeelden herkende, vergeleken met de 97 procent nauwkeurigheid van bestaande software-algoritmen.

Het team is bezig met het fabriceren van een werkende neuromorfische chip die handschriftherkenningstaken kan uitvoeren. niet in simulatie maar in werkelijkheid. Verder kijken dan handschrift, Kim zegt dat het kunstmatige synapsontwerp van het team veel kleinere, draagbare neurale netwerkapparaten die complexe berekeningen kunnen uitvoeren die momenteel alleen mogelijk zijn met grote supercomputers.

"Uiteindelijk willen we een chip zo groot als een vingernagel om één grote supercomputer te vervangen, " zegt Kim. "Dit opent een opstap om echte kunstmatige hardware te produceren."