MIT-wetenschappers ontwerpen kunstmatige synaps voor brain-like computerchips

$config[ads_kvadrat] not found

The Nervous System, Part 3 - Synapses!: Crash Course A&P #10

The Nervous System, Part 3 - Synapses!: Crash Course A&P #10
Anonim

Een nieuw tijdperk van computergebruik is nu dichterbij gekomen, omdat onderzoekers het ontwerp hebben gemaakt en de allereerste praktische test uitvoeren voor een kunstmatige synaps waarmee computers enkele van de krachtigste en meest ingewikkelde functies van de hersenen kunnen repliceren.

Hoewel computers misschien krachtiger lijken dan onze hersenen, kunnen we eigenlijk een veel breder scala aan mogelijke signalen verwerken dan de "aan" en "uit" van binaire, dankzij de synapsen die de verbindingen tussen neuronen verwerken.

Replicatie van die mogelijkheid op een computer vereist kunstmatige synapsen die op betrouwbare wijze al die subtiel verschillende signalen kunnen verzenden. Zoals ze beschrijven in de uitgave van het dagboek van maandag Natuurmaterialen, hebben onderzoekers van het Massachusetts Institute of Technology uitgevoerd wat zij de eerste ooit praktische test noemen van een dergelijke kunstmatige synaps, die zogeheten neuromorfische computertechnologie ontketent.

Hoewel de tests alleen in computersimulaties plaatsvonden, waren de tests veelbelovend. De onderzoekers gebruikten de kunstmatige synapsontwerpen om verschillende handschriftvoorbeelden te herkennen. De simulatie die ze draaiden, wist bijna te evenaren wat traditionele algoritmen kunnen doen op het gebied van nauwkeurigheid - 95 versus 97 procent - wat een indrukwekkend startpunt is voor tech in absolute jeugd.

Traditionele digitale computers vertrouwen op binaire signalering. Een waarde van één betekent "aan", terwijl een waarde nul betekent "uit". Omdat computers specifieke berekeningen veel sneller en efficiënter kunnen uitvoeren dan we kunnen, is het gemakkelijk om aan te nemen dat deze binaire aanpak beter is dan wat er in onze hersenen.

Maar de analoge opstelling van de 100 miljard neuronen in elk van onze hersenen is aantoonbaar veel geavanceerder. De 100 biljoen synapsen die de verbindingen tussen die neuronen beheren, sturen niet eenvoudig signalen aan of uit.

De verschillende soorten en aantallen ionen die door een gegeven synaps vloeien, bepalen hoe sterk een signaal het naar een bepaald neuron stuurt, en dat spectrum van mogelijke berichten betekent dat ons brein een veel grotere verscheidenheid aan berekeningen kan ontsluiten. Als computers die soort complexiteit zouden kunnen toevoegen aan hun al aanzienlijke toolkits, zou je eens kijken naar een aantal krachtige machines - en ze zouden ook geen reusachtige machine hoeven te zijn.

Dit is het probleem: de natuur heeft een paar miljard jaar de tijd gehad om de synapsen in onze hersenen en die van andere soorten te perfectioneren. Onderzoekers hebben slechts een paar jaar geprobeerd om het synthetische equivalent te maken en er zijn enkele grote struikelblokken. Het grootste is dat elke kunstmatige synaps op betrouwbare wijze precies hetzelfde soort signaal moet verzenden voor elke input die het ontvangt, anders degradeert de complexiteit gewoon in chaos.

"Als je eenmaal wat spanning hebt toegepast om bepaalde gegevens met je kunstmatige neuron te representeren, moet je het op dezelfde manier wissen en opnieuw kunnen schrijven," zei Kim. "Maar in een amorfe vaste stof, wanneer je opnieuw schrijft, gaan de ionen in verschillende richtingen omdat er veel gebreken zijn. Deze stroom is aan het veranderen en het is moeilijk te controleren. Dat is het grootste probleem - niet-uniformiteit van de kunstmatige synaps."

De MIT-onderzoekers zijn optimistisch dat hun ontwerp aanzienlijke vooruitgang heeft geboekt door een ander materiaal te gebruiken, een monokristallijn silicium dat perfect functioneert zonder defecten. In een simulatie ontwierpen de onderzoekers kunstmatige synapsen bovenop deze basis met behulp van het gewone transistormateriaal siliciumgermanium, ze waren in staat om stromen te creëren die slechts ongeveer vier procent verschilden tussen verschillende synapsen. Dat is niet perfect, maar het is een enorme verbetering ten opzichte van wat eerder is bereikt.

Voorlopig blijft dit werk theoretisch, en er is een verschil tussen het aantonen van veelbelovende resultaten in een simulatie versus het realiseren van dat in een echte praktijktest. Maar Kim en zijn team zijn optimistisch.

"Dit opent een springplank om echte kunstmatige hardware te maken," zei hij.

$config[ads_kvadrat] not found