Инженеры поместили десятки тысяч искусственных синапсов мозга в один чип

Инженеры поместили десятки тысяч искусственных синапсов мозга в один чип

Инженеры MIT разработали «мозг на кристалле», меньший, чем кусок конфетти, который состоит из десятков тысяч искусственных синапсов мозга, известных как мемристоры – кремниевые компоненты, которые имитируют синапсы, передающие информацию, в человеческий мозг.

Исследователи позаимствовали принципы металлургии для изготовления каждого мемристора из сплавов серебра и меди, а также кремния. Когда они выполняли чип с помощью нескольких визуальных задач, он мог «запоминать» сохраненные изображения и многократно воспроизводить их в версиях, которые были более четкими и чистыми по сравнению с существующими конструкциями мемристоров, выполненными из нелегированных элементов.

Их результаты, опубликованные сегодня в журнале Nature Nanotechnology , демонстрируют многообещающий новый дизайн мемристоров для нейроморфных устройств – электроники, которая основана на новом типе схемы, которая обрабатывает информацию таким образом, который имитирует нейронную архитектуру мозга. Такие мозговые схемы могут быть встроены в небольшие портативные устройства и выполнять сложные вычислительные задачи, которые могут выполнять только современные суперкомпьютеры.

«Пока искусственные сети синапсов существуют как программное обеспечение. Мы пытаемся создать реальное оборудование нейронных сетей для портативных систем искусственного интеллекта», – говорит Jeehwan Kim, доцент кафедры машиностроения в MIT. «Представьте себе, что вы подключите нейроморфное устройство к камере на вашем автомобиле, и она сможет распознавать источники света и объекты и немедленно принимать решение, не подключаясь к Интернету. Мы надеемся использовать энергосберегающие мемристоры для выполнения этих задач на месте, в реальном времени.”

Блуждающие ионы

Мемристоры, или транзисторы с памятью, являются важным элементом в нейроморфных вычислениях. В нейроморфном устройстве мемристор будет служить транзистором в цепи, хотя его работа будет более похожа на синапс мозга – соединение между двумя нейронами. Синапс получает сигналы от одного нейрона в виде ионов и отправляет соответствующий сигнал следующему нейрону.

Транзистор в обычной схеме передает информацию, переключаясь между одним из двух значений, 0 и 1, и делает это только тогда, когда сигнал, который он принимает в виде электрического тока, имеет особую силу. Напротив, мемристор будет работать по градиенту, как синапс в мозге. Сигнал, который он производит, будет варьироваться в зависимости от силы сигнала, который он получает. Это позволило бы одному мемристору иметь много значений и, следовательно, выполнять гораздо более широкий диапазон операций, чем двоичные транзисторы.

Подобно синапсу мозга, мемристор также сможет «запомнить» значение, связанное с данной силой тока, и генерировать точно такой же сигнал в следующий раз, когда он получит аналогичный ток. Это может гарантировать, что ответ на сложное уравнение или визуальную классификацию объекта является надежным – подвиг, который обычно включает в себя несколько транзисторов и конденсаторов.

В конечном счете, ученые предполагают, что мемристорам потребуется гораздо меньше микросхем, чем обычные транзисторы, что позволит создавать мощные портативные вычислительные устройства, не использующие суперкомпьютеры, или даже соединения с Интернетом.

Существующие конструкции мемристоров, однако, ограничены в их производительности. Один мемристор состоит из положительного и отрицательного электрода, разделенных «переключающей средой» или промежутком между электродами. Когда на один электрод подается напряжение, ионы с этого электрода протекают через среду, образуя «канал проводимости» к другому электроду. Полученные ионы составляют электрический сигнал, который мемристор передает через схему. Размер ионного канала (и сигнал, который в конечном итоге производит мемристор) должен быть пропорционален силе стимулирующего напряжения.

Ким говорит, что существующие конструкции мемристоров работают довольно хорошо в тех случаях, когда напряжение стимулирует большой проводящий канал или сильный поток ионов от одного электрода к другому. Но эти конструкции менее надежны, когда мемристоры должны генерировать более тонкие сигналы через более тонкие каналы проводимости.

Чем тоньше канал проводимости и чем легче поток ионов от одного электрода к другому, тем труднее отдельным ионам оставаться вместе. Вместо этого они, как правило, уходят из группы, распадаясь в среде. В результате приемному электроду трудно надежно захватить одинаковое количество ионов и, следовательно, передать один и тот же сигнал при стимуляции с определенным низким диапазоном тока.

Заимствование из металлургии

Ким и его коллеги нашли способ обойти это ограничение, позаимствовав технику из металлургии, науку о сплавлении металлов в сплавы и изучении их комбинированных свойств.

«Традиционно металлурги пытаются добавлять разные атомы в объемную матрицу для усиления материалов, и мы подумали, почему бы не настроить атомные взаимодействия в нашем мемристоре и добавить легирующий элемент для управления движением ионов в нашей среде», – говорит Ким.

Инженеры обычно используют серебро в качестве материала для положительного электрода мемристора. Команда Кима просмотрела литературу, чтобы найти элемент, который они могли бы объединить с серебром, чтобы эффективно удерживать ионы серебра вместе, позволяя им быстро перетекать на другой электрод.

Команда приземлилась на медь как идеальный легирующий элемент, так как она способна связываться как с серебром, так и с кремнием.

«Он действует как своего рода мост и стабилизирует интерфейс серебро-кремний», – говорит Ким.

Чтобы изготовить мемристоры с использованием их нового сплава, группа сначала изготовила отрицательный электрод из кремния, затем изготовила положительный электрод, нанеся небольшое количество меди, а затем слой серебра. Они зажали два электрода вокруг аморфной кремниевой среды. Таким образом, они создали кремниевую микросхему с квадратным миллиметром и десятками тысяч мемристоров.

В качестве первого испытания чипа они воссоздали серое изображение щита Капитана Америка. Они приравнивали каждый пиксель изображения к соответствующему мемристору в чипе. Затем они модулировали проводимость каждого мемристора, которая была по силе относительно цвета в соответствующем пикселе.

Микросхема производила такое же четкое изображение щита и могла «запоминать» изображение и многократно воспроизводить его по сравнению с микросхемами из других материалов.

Команда также провела чип через задачу обработки изображения, запрограммировав мемристоры для изменения изображения, в этом случае Mill’s Killian Court, несколькими конкретными способами, включая повышение резкости и размытие исходного изображения. Опять же, их дизайн создавал перепрограммированные изображения более надежно, чем существующие конструкции мемристоров.

«Мы используем искусственные синапсы для проведения реальных тестов вывода», – говорит Ким. «Мы хотели бы развивать эту технологию дальше, чтобы иметь более крупные массивы для выполнения задач распознавания изображений. И однажды вы сможете использовать искусственный мозг для выполнения таких задач, не подключаясь к суперкомпьютерам, Интернету или облако.”

Это исследование финансировалось частично за счет средств Комитета поддержки исследований MIT, лаборатории MIT-IBM Watson AI Lab, Глобальной исследовательской лаборатории Samsung и Национального научного фонда.


Источник истории:

Материалы предоставлены Массачусетским технологическим институтом . Оригинал написан Дженнифер Чу. Примечание: содержание может быть отредактировано по стилю и длине.


Связанные мультимедиа :


Ссылка на журнал :

  1. Ханвул Йон, Пэн Лин, Чанёль Чой, Скотт Х. Тан, Йонгмо Парк, Дойун Ли, Джэйонг Ли, Фэн Сюй, Бин Гао, Хуацян Ву, Хэ Цянь, Ифань Ни, Сейонг Ким, Дживан Ким. Легирование проводящих каналов для надежных нейроморфных вычислений . Природная нанотехнология , 2020; DOI: 10.1038 / s41565-020-0694-5