(Phys.org)—Als je een geluid hoort, slechts enkele van de neuronen in de auditieve cortex van uw hersenen worden geactiveerd. Dit komt omdat elk auditief neuron is afgestemd op een bepaald geluidsbereik, zodat elk neuron gevoeliger is voor bepaalde soorten en niveaus van geluid dan andere. In een nieuwe studie, onderzoekers hebben een neuromorfisch ("hersengeïnspireerd") computersysteem ontworpen dat deze neurale selectiviteit nabootst door gebruik te maken van kunstmatige, op het niveau afgestemde neuronen die bij voorkeur reageren op specifieke soorten stimuli.

In de toekomst, op niveau afgestemde neuronen kunnen neuromorfe computersystemen helpen om taken uit te voeren die traditionele computers niet kunnen, zoals leren van hun omgeving, patroonherkenning, en kennisextractie uit big data-bronnen.

De onderzoekers, Angeliki Pantazi et al ., bij IBM Research-Zurich en École Polytechnique Fédérale de Lausanne, zowel in Zwitserland, hebben een artikel gepubliceerd over de nieuwe neuromorfe architectuur in een recent nummer van Nanotechnologie .

Zoals alle neuromorfe computerarchitecturen, het voorgestelde systeem is gebaseerd op neuronen en hun synapsen, dat zijn de knooppunten waar neuronen signalen naar elkaar sturen. In dit onderzoek, de onderzoekers implementeerden fysiek kunstmatige neuronen met behulp van faseovergangsmaterialen. Deze materialen hebben twee stabiele toestanden:een kristallijn, lage soortelijke weerstand en een amorfe, hoge weerstand staat. Net als bij traditioneel computergebruik, de toestanden kunnen worden geschakeld door het aanleggen van een spanning. Wanneer de geleiding van het neuron een bepaalde drempel bereikt, het neuron vuurt.

"We hebben aangetoond dat op faseverandering gebaseerde memristieve apparaten kunnen worden gebruikt om kunstmatige neuronen en synapsen te creëren om gegevens op te slaan en te verwerken, " vertelde co-auteur Evangelos Eleftheriou bij IBM Research-Zürich: Phys.org . "Een faseveranderingsneuron gebruikt de faseconfiguratie van het faseveranderingsmateriaal om zijn interne toestand weer te geven, de membraanpotentiaal. Voor de faseveranderingssynaps, het synaptische gewicht - dat verantwoordelijk is voor de plasticiteit - wordt gecodeerd door de geleiding van het nanodevice."

In deze architectuur elk neuron is afgestemd op een specifiek bereik, of niveau. Neuronen ontvangen signalen van vele andere neuronen, en een niveau wordt gedefinieerd als de cumulatieve bijdrage van de som van deze inkomende signalen.

"We hebben de biologisch geïnspireerde architectuur van op niveau afgestemde neuronen geïntroduceerd die in staat zijn om verschillende patronen op een ongecontroleerde manier te onderscheiden, Eleftheriou zei. "Dit is belangrijk voor de ontwikkeling van ultradichte, schaalbare en energiezuinige neuromorphic computing."

Een van de belangrijkste voordelen van deze zeer selectieve, op niveau afgestemde neuronen is hun verbeterde leervermogen. Bij neuromorfe informatica, leren vindt plaats door herhaalde inkomende signalen, die bepaalde synaptische verbindingen versterkt. De onderzoekers toonden aan dat op niveau afgestemde neuronen erg goed zijn in het leren van meerdere invoerpatronen, zelfs in de aanwezigheid van ingangsruis.

"Zelfs een enkel neuron kan worden gebruikt om patronen te detecteren en correlaties te ontdekken in realtime stromen van op gebeurtenissen gebaseerde gegevens, Eleftheriou zei. "Niveau-afgestemde neuronen vergroten het vermogen van een enkel-neuronnetwerk om informatie te onderscheiden wanneer meerdere patronen verschijnen bij de ingang. Op niveau afgestemde neuronen, samen met de snelle en energiezuinige kenmerken van hun op faseverandering gebaseerde implementatie, zal bijzonder nuttig zijn voor verschillende opkomende toepassingen, zoals internet der dingen, die grote hoeveelheden zintuiglijke informatie en toepassingen verzamelen en analyseren om patronen in gegevensbronnen te detecteren, zoals van sociale media om trends te ontdekken, of weergegevens voor realtime voorspellingen, of gezondheidsgegevens om patronen in ziekten op te sporen, enzovoort."

In de toekomst, de onderzoekers zijn van plan het concept van kunstmatige, op niveau afgestemde neuronen verder te ontwikkelen om verbeterde grootschalige neurale netwerken te ontwerpen.

"We zullen meer complexe computertaken onderzoeken op basis van kunstmatige spiking-neuronen en hun synapsen, " Zei Eleftheriou. "We zijn geïnteresseerd in het bestuderen van het schaalpotentieel en de toepassingen van dergelijke neuromorfe systemen in cognitieve computersystemen."

© 2016 Fys.org