Двухрежимные мемристоры на основе нанокристаллов перовскита: компонент для вычислений, вдохновленных мозгом.
По сравнению с компьютерами человеческий мозг невероятно энергоэффективен. Поэтому ученые черпают вдохновение в том, как функционирует мозг и его взаимосвязанные нейроны, при разработке инновационных вычислительных технологий. Они предвидят, что эти вычислительные системы, вдохновленные мозгом, будут более энергоэффективными, чем обычные, а также лучше выполнять задачи машинного обучения.
Подобно нейронам, которые отвечают как за хранение , так и за обработку данных в мозге, ученые хотят объединить хранение и обработку в одном типе электронного компонента, известного как мемристор. Они надеются, что это поможет добиться большей эффективности, поскольку перемещение данных между процессором и хранилищем, как это делают обычные компьютеры, является основной причиной высокого энергопотребления в приложениях машинного обучения.
Исследователи из ETH Zurich, Empa и Цюрихского университета разработали инновационную концепцию мемристора, который можно использовать в гораздо более широком диапазоне приложений, чем существующие мемристоры. «Существуют разные режимы работы мемристоров, и полезно иметь возможность использовать все эти режимы в зависимости от архитектуры искусственной нейронной сети», — объясняет постдоктор ETH Zurich Рохит Джон. «Но предыдущие обычные мемристоры должны были быть настроены для одного из этих режимов заранее». Новые мемристоры теперь могут легко переключаться между двумя режимами работы во время использования: режим, в котором сигнал со временем ослабевает и исчезает (энергозависимый режим), и режим, в котором сигнал остается постоянным (энергонезависимый режим).
Так же, как в мозгу
«Эти два режима работы также присутствуют в человеческом мозгу », — говорит Джон. С одной стороны, стимулы в синапсах передаются от нейрона к нейрону с помощью биохимических нейротрансмиттеров. Эти стимулы начинаются сильно, а затем постепенно ослабевают. С другой стороны, во время обучения в мозгу формируются новые синаптические связи с другими нейронами. Эти связи долговечны.
Джон, который является постдоком в группе, возглавляемой исследователем ETH Zurich/Empa Максимом Коваленко, получил стипендию ETH для выдающихся постдокторантов в 2020 году. Джон провел это исследование вместе с Йигитом Демирагом, докторантом в группе Джакомо Индивери в Институте. по нейроинформатике Цюрихского университета и ETH Zurich.
Полупроводниковый материал, известный из солнечных элементов
Мемристоры, разработанные исследователями, сделаны из нанокристаллов галоидного перовскита, полупроводникового материала, известного прежде всего благодаря его использованию в фотогальванических элементах. «Нервная проводимость в этих новых мемристорах опосредована временным или постоянным связыванием ионов серебра с электрода с образованием нановолокна, проникающего в структуру перовскита, через который может протекать ток», — объясняет Коваленко.
Этот процесс можно регулировать, чтобы сделать нить с ионами серебра либо тонкой, чтобы она постепенно распадалась на отдельные ионы серебра (летучий режим), либо толстой и постоянной (энергонезависимый режим). Это контролируется силой тока, проходящего через мемристор: подача слабого тока активирует энергозависимый режим, а сильный ток активирует энергонезависимый режим.
Новый инструментарий для нейроинформатики
«Насколько нам известно, это первый мемристор , который можно надежно переключать между энергозависимым и энергонезависимым режимами по запросу», — говорит Демираг. Это означает, что в будущем компьютерные чипы могут производиться с мемристорами, поддерживающими оба режима. Это значительный шаг вперед, потому что обычно невозможно объединить несколько разных типов мемристоров на одном чипе.
В рамках исследования, которое они недавно опубликовали в журнале Nature Communications, исследователи протестировали 25 новых мемристоров и провели с ними 20 000 измерений. Таким образом, они смогли смоделировать вычислительную задачу в сложной сети. Проблема заключалась в том, чтобы классифицировать ряд различных нейронных спайков как один из четырех предопределенных паттернов.
Прежде чем эти мемристоры можно будет использовать в компьютерных технологиях, их необходимо будет подвергнуть дальнейшей оптимизации. Однако такие компоненты также важны для исследований в области нейроинформатики, как отмечает Индивери: «Эти компоненты приближаются к реальным нейронам, чем предыдущие. В результате они помогают исследователям лучше проверять гипотезы в нейроинформатике и, надеюсь, лучше понять принципы вычисления реальных нейронных цепей у людей и животных».
