We geloven vaak dat computers efficiënter zijn dan mensen. Computers kunnen immers in een mum van tijd een complexe wiskundige vergelijking voltooien en kunnen zich ook de naam herinneren van die ene acteur die we steeds vergeten. Het menselijk brein kan ingewikkelde informatielagen echter snel, nauwkeurig en vrijwel zonder energie-input verwerken:een gezicht herkennen nadat je het maar één keer hebt gezien, of meteen het verschil weten tussen een berg en de oceaan.

Deze eenvoudige menselijke taken vergen enorme verwerkings- en energie-input van computers, en zelfs dan, met verschillende mate van nauwkeurigheid.

Het creëren van breinachtige computers met minimale energievereisten zou een revolutie teweegbrengen in bijna elk aspect van het moderne leven. Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C) – een landelijk consortium onder leiding van de Universiteit van Californië in San Diego – heeft een voortrekkersrol gespeeld bij dit onderzoek.

UC San Diego assistent-professor natuurkunde Alex Frañó is mededirecteur van Q-MEEN-C en beschouwt het werk van het centrum in fasen. In de eerste fase werkte hij nauw samen met president emeritus van de Universiteit van Californië en hoogleraar natuurkunde Robert Dynes, evenals Rutgers hoogleraar techniek Shriram Ramanathan. Samen waren hun teams succesvol in het vinden van manieren om de eigenschappen van een enkel hersenelement (zoals een neuron of synaps) in een kwantummateriaal te creëren of na te bootsen.

Nu, in fase twee, nieuw onderzoek van Q-MEEN-C, gepubliceerd in Nano Letters laat zien dat elektrische stimuli die tussen aangrenzende elektroden worden doorgegeven, ook niet-naburige elektroden kunnen beïnvloeden. Deze ontdekking staat bekend als non-lokaliteit en is een cruciale mijlpaal in de reis naar nieuwe soorten apparaten die hersenfuncties nabootsen, bekend als neuromorphic computing.

"In de hersenen wordt begrepen dat deze niet-lokale interacties nominaal zijn:ze gebeuren vaak en met minimale inspanning", zegt Frañó, een van de co-auteurs van het artikel. "Het is een cruciaal onderdeel van de manier waarop de hersenen werken, maar vergelijkbaar gedrag dat in synthetische materialen wordt gerepliceerd, is schaars."

Zoals veel onderzoeksprojecten die nu hun vruchten afwerpen, ontstond tijdens de pandemie het idee om te testen of non-lokaliteit in kwantummaterialen mogelijk was. Fysieke laboratoriumruimtes waren afgesloten, dus voerde het team berekeningen uit op arrays die meerdere apparaten bevatten om de meerdere neuronen en synapsen in de hersenen na te bootsen. Bij het uitvoeren van deze tests ontdekten ze dat non-lokaliteit theoretisch mogelijk was.

Toen de laboratoria weer opengingen, verfijnden ze dit idee verder en schakelden Duygu Kuzum, universitair hoofddocent aan de UC San Diego Jacobs School of Engineering, in, wiens werk op het gebied van elektrische en computertechniek hen hielp een simulatie om te zetten in een echt apparaat.

Dit omvatte het nemen van een dunne laag nikkelaat - een keramiek van 'kwantummateriaal' dat rijke elektronische eigenschappen vertoont - waarin waterstofionen werden ingebracht en vervolgens een metalen geleider erop werd geplaatst. Aan het metaal wordt een draad bevestigd zodat een elektrisch signaal naar het nikkelaat kan worden gestuurd. Het signaal zorgt ervoor dat de gelachtige waterstofatomen naar een bepaalde configuratie gaan en wanneer het signaal wordt verwijderd, blijft de nieuwe configuratie bestaan.

"Dit is in wezen hoe een herinnering eruit ziet", aldus Frañó. "Het apparaat onthoudt dat je het materiaal hebt verstoord. Nu kun je nauwkeurig afstemmen waar die ionen naartoe gaan om paden te creëren die beter geleidend zijn en waar elektriciteit gemakkelijker doorheen kan stromen."

Traditioneel vereist het creëren van netwerken die voldoende elektriciteit transporteren om zoiets als een laptop van stroom te voorzien, ingewikkelde circuits met continue verbindingspunten, wat zowel inefficiënt als duur is. Het ontwerpconcept van Q-MEEN-C is veel eenvoudiger omdat het niet-lokale gedrag in het experiment betekent dat niet alle draden in een circuit met elkaar verbonden hoeven te worden. Denk aan een spinnenweb, waarbij beweging in één deel over het hele web voelbaar is.

Dit is analoog aan hoe de hersenen leren:niet lineair, maar in complexe lagen. Elk leerstuk creëert verbindingen in meerdere delen van de hersenen, waardoor we niet alleen bomen van honden kunnen onderscheiden, maar ook een eik van een palmboom of een golden retriever van een poedel.

Tot nu toe kunnen deze patroonherkenningstaken, die de hersenen zo mooi uitvoeren, alleen via computersoftware worden gesimuleerd. AI-programma's zoals ChatGPT en Bard gebruiken complexe algoritmen om hersenactiviteiten zoals denken en schrijven na te bootsen. En dat doen ze heel goed. Maar zonder overeenkomstige geavanceerde hardware om dit te ondersteunen, zal de software op een gegeven moment zijn limiet bereiken.

Frañó wil graag een hardwarerevolutie die parallel loopt aan de revolutie die momenteel plaatsvindt met software, en die laat zien dat het mogelijk is om niet-lokaal gedrag in synthetisch materiaal te reproduceren, waardoor wetenschappers een stap dichterbij komen. De volgende stap omvat het creëren van complexere arrays met meer elektroden in uitgebreidere configuraties.

"Dit is een zeer belangrijke stap voorwaarts in onze pogingen om hersenfuncties te begrijpen en te simuleren", zegt Dynes, die ook co-auteur is. “Het tonen van een systeem dat niet-lokale interacties heeft, leidt ons verder in de richting van hoe onze hersenen denken. Onze hersenen zijn natuurlijk veel gecompliceerder dan dit, maar een fysiek systeem dat in staat is om te leren moet zeer interactief zijn en dit is een noodzakelijke eerste stap. We kunnen nu denken aan coherentie op langere termijn in ruimte en tijd."

"Het is algemeen bekend dat we, om deze technologie echt te laten exploderen, manieren moeten vinden om de hardware te verbeteren:een fysieke machine die de taak kan uitvoeren in combinatie met de software", aldus Frañó. "De volgende fase zal er een zijn waarin we efficiënte machines creëren waarvan de fysieke eigenschappen degene zijn die het leerwerk doen. Dat zal ons een nieuw paradigma geven in de wereld van kunstmatige intelligentie."

Meer informatie: Ravindra Singh Bisht et al, Ruimtelijke interacties in gehydrogeneerde perovskiet-nikkel-synaptische netwerken, Nano-letters (2023). DOI:10.1021/acs.nanolett.3c02076

Journaalinformatie: Nanobrieven

Aangeboden door Universiteit van Californië - San Diego