Een team van wetenschappers van het Moscow Institute of Physics and Technology (MIPT) heeft prototypen gemaakt van "elektronische synapsen" op basis van ultradunne films van hafniumoxide (HfO ₂ ). Deze prototypes zouden kunnen worden gebruikt in fundamenteel nieuwe computersystemen. Het artikel is gepubliceerd in het tijdschrift Onderzoeksbrieven op nanoschaal .

De groep onderzoekers van MIPT heeft HfO ₂ -gebaseerde memristors van slechts 40x40 nm ² . De nanostructuren die ze bouwden, vertonen eigenschappen die vergelijkbaar zijn met biologische synapsen. Met behulp van nieuw ontwikkelde technologie, de memristors werden geïntegreerd in matrices - in de toekomst, deze technologie kan worden gebruikt om computers te ontwerpen die op dezelfde manier werken als biologische neurale netwerken.

Memristors (weerstanden met geheugen) zijn apparaten die hun toestand (geleiding) kunnen veranderen afhankelijk van de lading die er doorheen gaat, en ze hebben dus een herinnering aan hun "geschiedenis". In dit onderzoek, gebruikten de wetenschappers apparaten op basis van dunne-film hafniumoxide, een materiaal dat al wordt gebruikt bij de productie van moderne processors. Dit betekent dat deze nieuwe laboratoriumtechnologie, indien vereist, gemakkelijk te gebruiken in industriële processen.

"In een eenvoudigere versie, memristors zijn veelbelovende binaire niet-vluchtige geheugencellen waarin informatie wordt geschreven door de elektrische weerstand om te schakelen - van hoog naar laag en weer terug. Wat we proberen aan te tonen zijn veel complexere functies van memristors - dat ze zich gedragen als biologische synapsen, " zei Joeri Matveyev, de corresponderende auteur van het artikel, en senior onderzoeker van MIPT's Laboratory of Functional Materials and Devices for Nanoelectronics, commentaar geven op de studie.

Synapsen - de sleutel tot leren en geheugen

Een synaps is een verbindingspunt tussen neuronen, waarvan de belangrijkste functie het verzenden van een signaal is (een piek – een bepaald type signaal, zie afb. 2) van het ene neuron naar het andere. Elk neuron kan duizenden synapsen hebben die verbonden zijn met een groot aantal andere neuronen. Dit betekent dat informatie parallel kan worden verwerkt, in plaats van sequentieel (zoals in moderne computers). Dit is de reden waarom "levende" neurale netwerken zo enorm effectief zijn, zowel in termen van snelheid als energieverbruik bij het oplossen van een groot aantal taken, zoals beeld- en spraakherkenning.

Overuren, synapsen kunnen hun "gewicht" veranderen, d.w.z. hun vermogen om een ​​signaal uit te zenden. Deze eigenschap wordt beschouwd als de sleutel tot het begrijpen van de leer- en geheugenfuncties van de hersenen.

Vanuit fysiek oogpunt, synaptisch "geheugen" en "leren" in de hersenen kunnen als volgt worden geïnterpreteerd:de neurale verbinding bezit een zekere "geleidbaarheid, " die wordt bepaald door de eerdere "geschiedenis" van signalen die door de verbinding zijn gegaan. Als een synaps een signaal van het ene neuron naar het andere verzendt, we kunnen zeggen dat het een hoge "geleidbaarheid, "en als dat niet zo is, we zeggen dat het een lage "geleidbaarheid" heeft. Echter, synapsen werken niet alleen in de aan/uit-modus; ze kunnen elk tussenliggend "gewicht" hebben (tussenliggende geleidbaarheidswaarde). Overeenkomstig, als we ze willen simuleren met bepaalde apparaten, deze apparaten zullen ook analoge kenmerken moeten hebben.

De memristor als analoog van de synaps

Zoals in een biologische synaps, de waarde van de elektrische geleidbaarheid van een memristor is het resultaat van zijn vorige "leven" vanaf het moment dat het werd gemaakt.

Er zijn een aantal fysieke effecten die kunnen worden benut om memristors te ontwerpen. In dit onderzoek, de auteurs gebruikten apparaten op basis van ultradunne-film hafniumoxide, die het effect van zachte (omkeerbare) elektrische doorslag vertonen onder een aangelegd extern elektrisch veld. Meest voorkomend, deze apparaten gebruiken slechts twee verschillende toestanden die logische nul en één coderen. Echter, om biologische synapsen te simuleren, een continu spectrum van geleidbaarheden moest in de apparaten worden gebruikt.

"Het gedetailleerde fysieke mechanisme achter de functie van de memristors in kwestie staat nog steeds ter discussie. het kwalitatieve model is als volgt:in de metaal-ultradunne oxide-metaalstructuur, geladen puntdefecten, zoals vacatures van zuurstofatomen, worden gevormd en bewegen in de oxidelaag wanneer ze worden blootgesteld aan een elektrisch veld. Het zijn deze defecten die verantwoordelijk zijn voor de omkeerbare verandering in de geleidbaarheid van de oxidelaag, ", zegt de co-auteur van het artikel en onderzoeker van MIPT's Laboratory of Functional Materials and Devices for Nanoelectronics, Sergey Zakharchenko.

De auteurs gebruikten de nieuw ontwikkelde "analoge" memristors om verschillende leermechanismen ("plasticiteit") van biologische synapsen te modelleren. Vooral, dit betrof functies zoals langdurige potentiëring (LTP) of langdurige depressie (LTD) van een verbinding tussen twee neuronen. Het is algemeen aanvaard dat deze functies de onderliggende mechanismen zijn van het geheugen in de hersenen.

De auteurs zijn er ook in geslaagd om een ​​complexer mechanisme aan te tonen:spike-timing-afhankelijke plasticiteit, d.w.z. de afhankelijkheid van de waarde van de verbinding tussen neuronen van de relatieve tijd die nodig is om ze te 'triggeren'. Eerder was aangetoond dat dit mechanisme verantwoordelijk is voor associatief leren - het vermogen van de hersenen om verbanden te vinden tussen verschillende gebeurtenissen.

Om deze functie in hun memristor-apparaten te demonstreren, de auteurs doelbewust een elektrisch signaal gebruikten dat reproduceerde, zover mogelijk, de signalen in levende neuronen, en ze kregen een afhankelijkheid die erg leek op die waargenomen in levende synapsen (zie fig. 3).

Met deze resultaten konden de auteurs bevestigen dat de elementen die ze hadden ontwikkeld, konden worden beschouwd als een prototype van de "elektronische synaps, " die zou kunnen worden gebruikt als basis voor de hardware-implementatie van kunstmatige neurale netwerken.

"We hebben een basislijnmatrix gemaakt van memristors op nanoschaal die de eigenschappen van biologische synapsen aantonen. Dankzij dit onderzoek, we zijn nu een stap dichter bij het bouwen van een kunstmatig neuraal netwerk. Het is misschien alleen de allereenvoudigste van alle netwerken, maar het is niettemin een hardware-prototype, " zei het hoofd van het MIPT-laboratorium voor functionele materialen en apparaten voor nano-elektronica, Andrej Zenkevich.