Ученые разрабатывают искусственные синапсы для нейроморфных вычислений

Новости сегодня - Ученые разрабатывают искусственные синапсы для нейроморфных вычислений

Человеческий мозг называют самым сложным объектом во Вселенной. Пытаясь воспроизвести эту до сих пор непревзойденную способность к вычислениям, ученые из Лос-Аламосской национальной лаборатории создали новое мемристивное устройство интерфейсного типа, которое, как показывают их результаты, можно использовать для создания искусственных синапсов для нейроморфных вычислений следующего поколения.

Мемристические устройства, или мемристоры, представляют собой долгожданную схемную технологию, которая, в отличие от современной технологии резисторов, имеет возможности как программирования, так и памяти — мемристоры могут запоминать, в каком электрическом состоянии они находились при выключении питания, — способность, подобная человеческому мозгу, которая открывает новые возможности. для вычислений и устройств.

«Обработка данных является неотъемлемой частью современной науки, поскольку машинное обучение , искусственный интеллект и искусственные нейронные сети используются для решения насущных вопросов во всем, от климатологии до приложений национальной безопасности», — сказал Айпин Чен, научный сотрудник Центра интегрированных нанотехнологий.

«Однако традиционная вычислительная архитектура требует много энергии и все меньше способна масштабироваться для решения все больших и больших проблем с данными. Нейроморфные вычисления, которые имитируют непревзойденную архитектуру хранения и обработки данных и возможности человеческого мозга, предлагают путь к продолжать повышать производительность вычислений».

Обычные вычисления ограничены так называемым узким местом фон Неймана, в котором вычисления и память разделены. Обработка сложных задач, таких как машинное обучение и распознавание изображений, на цифровых компьютерах требует значительного количества энергии и времени из-за передачи данных туда и обратно между центральным процессором и памятью. Потребление энергии центрами обработки данных быстро росло в последние несколько лет, и, согласно прогнозам, к 2030 году около 8% мировой электроэнергии будет использоваться центрами обработки данных.

Кроме того, в традиционной компьютерной архитектуре миллиарды транзисторов на кремниевых микросхемах служат переключателями для двоичного кода компьютера. Физические ограничения на миниатюризацию этих транзисторов помогли положить конец закону Мура, постулату, который предсказывал удвоение вычислительной мощности примерно каждые два года.

Вычисления в памяти: как мозг

Совместное хранение и обработка информации в синапсах, которые соединяют 100 миллиардов нейронов, отправляющих и получающих химическую информацию, «обработка в памяти» человеческого мозга экономит время и энергию. Нейроморфные вычисления опираются на новые устройства, такие как мемристоры, переключатели между двумя терминалами, которые контролируют и запоминают протекающий заряд, чтобы воспроизвести структуру и функцию синапсов.

В быстро развивающейся области нейроморфных вычислений конструкции мемристоров включают системы нитей, в которых заряд доставляется через устройства. Но, склонные к перегреву, накальные системы не обладают стабильностью и надежностью.

Чен и его коллеги работают над другим подходом, называемым мемристором интерфейсного типа, и создали надежное, высокопроизводительное устройство с простой структурой на основе интерфейса SrTiO 3, легированного Au/Nb, в основном из золота и других полупроводниковых _{материалов} .

Мемристоры интерфейсного типа, в принципе, могут быть уменьшены до нанометровых размеров, чего не может достичь даже мемристорная технология на основе нити. (Напротив, человеческий волос имеет толщину примерно 100 000 нанометров.) И особенно в отличие от нейроморфных чипов на основе транзисторов, мемристивное устройство интерфейсного типа требует значительно меньше энергии для своей обработки.

«В отличие от цифровых вычислений с архитектурой фон Неймана, нейроморфные вычисления, вдохновленные биологическими системами, работают точно так же, как мозг», — сказал Чен. «Преимущества этой структуры включают низкое энергопотребление, высокий параллелизм и отличную устойчивость к ошибкам. В конце концов, человеческий мозг потребляет всего 20 Вт, но обучается чрезвычайно эффективно. Эти преимущества делают его очень хорошим для сложных вычислительных задач, таких как обучение, распознавание и принятия решений».

Превосходство в сложных вычислительных задачах

Команда использовала моделирование искусственной нейронной сети для изучения вычислительной производительности мемристора интерфейсного типа, проверяя его на наборе данных рукописных изображений из модифицированной базы данных национальных стандартов и технологий, поддерживаемой Национальным институтом стандартов и технологий. Демонстрируя превосходную однородность, программируемость и надежность, устройство реализовало точность распознавания 94,72%.

Эта производительность заставляет команду поверить, что эти новые мемристивные устройства интерфейсного типа могут стать фундаментальной аппаратной частью для нейроморфных вычислений следующего поколения.

«Возможности, которые мы видим, предполагают, что нейроморфные чипы, такие как человеческий мозг, будут хорошо справляться с продвинутыми задачами, включая обучение и принятие решений в реальном времени», — сказал Чен. «Мы могли бы увидеть, как нейроморфные вычисления позволяют использовать множество приложений, требующих интеллекта, от беспилотных автомобилей до дронов и камер безопасности. По сути, многие вещи, на которые способны люди, смогут делать эти типы устройств».

Команда планирует продолжить разработку технологии, уделяя особое внимание необходимости совместного проектирования — проектирования аппаратных средств на основе алгоритмических подходов, предлагаемых учеными-компьютерщиками.

Новости партнеров: