När det kommer till processorkraft, den mänskliga hjärnan kan helt enkelt inte slås.

Packad i squishy, organ i fotbollsstorlek är någonstans runt 100 miljarder neuroner. Vid varje givet ögonblick, en enda neuron kan vidarebefordra instruktioner till tusentals andra neuroner via synapser - utrymmena mellan neuroner, över vilka neurotransmittorer utbyts. Det finns mer än 100 biljoner synapser som förmedlar neuronsignalering i hjärnan, stärka vissa förbindelser samtidigt som andra beskärs, i en process som gör det möjligt för hjärnan att känna igen mönster, minns fakta, och utföra andra inlärningsuppgifter, blixtsnabbt.

Forskare inom det framväxande området "neuromorphic computing" har försökt designa datorchips som fungerar som den mänskliga hjärnan. Istället för att utföra beräkningar baserade på binär, på/av-signalering, som digitala chips gör idag, elementen i en "hjärna på ett chip" skulle fungera på ett analogt sätt, utbyta en gradient av signaler, eller "vikter, " ungefär som neuroner som aktiveras på olika sätt beroende på typen och antalet joner som flödar över en synaps.

På det här sättet, små neuromorfa chips kan, som hjärnan, effektivt bearbeta miljontals strömmar av parallella beräkningar som för närvarande endast är möjliga med stora banker av superdatorer. Men ett betydande stopp på vägen mot en sådan bärbar artificiell intelligens har varit neurala synapsen, vilket har varit särskilt knepigt att återskapa i hårdvara.

Nu har ingenjörer vid MIT designat en konstgjord synaps på ett sådant sätt att de exakt kan kontrollera styrkan på en elektrisk ström som flyter över den, liknar hur joner flödar mellan neuroner. Teamet har byggt ett litet chip med konstgjorda synapser, tillverkad av kiselgermanium. I simuleringar, forskarna fann att chippet och dess synapser kunde användas för att känna igen prover av handstil, med 95 procents noggrannhet.

Designen, publiceras idag i tidskriften Naturmaterial , är ett stort steg mot att bygga bärbara, neuromorfa chips med låg effekt för användning i mönsterigenkänning och andra inlärningsuppgifter.

Forskningen leddes av Jeehwan Kim, klassen 1947 Karriärutveckling biträdande professor vid avdelningarna för maskinteknik och materialvetenskap och teknik, och en huvudutredare vid MIT:s forskningslaboratorium för elektronik- och mikrosystemtekniklaboratorier. Hans medförfattare är Shinhyun Choi (första författare), Scott Tan (medförsta författare), Zefan Li, Yunjo Kim, Chanyeol Choi, och Hanwool Yeon från MIT, tillsammans med Pai-Yu Chen och Shimeng Yu från Arizona State University.

För många vägar

De flesta neuromorfa chipdesigner försöker efterlikna den synaptiska kopplingen mellan neuroner med hjälp av två ledande lager åtskilda av ett "växlingsmedium, " eller synapsliknande utrymme. När en spänning appliceras, joner bör röra sig i växlingsmediet för att skapa ledande filament, liknande hur "vikten" av en synaps förändras.

Men det har varit svårt att kontrollera jonflödet i befintliga konstruktioner. Kim säger att det beror på att de flesta byter medium, gjorda av amorfa material, har obegränsade möjliga vägar genom vilka joner kan färdas - lite som Pachinko, ett mekaniskt arkadspel som leder ner små stålkulor genom en serie stift och spakar, som fungerar för att antingen avleda eller rikta bollarna ut ur maskinen.

Som Pachinko, befintliga växlingsmedier innehåller flera vägar som gör det svårt att förutsäga var joner kommer att ta sig igenom. Kim säger att det kan skapa oönskad olikformighet i en synaps prestanda.

"När du applicerar lite spänning för att representera vissa data med din artificiella neuron, du måste radera och kunna skriva det igen på exakt samma sätt, " säger Kim. "Men i ett amorft fast ämne, när du skriver igen, jonerna går åt olika håll eftersom det finns massor av defekter. Den här strömmen förändras, och det är svårt att kontrollera. Det är det största problemet - olikformigheten i den konstgjorda synapsen."

En perfekt missmatchning

Istället för att använda amorfa material som en konstgjord synaps, Kim och hans kollegor tittade på enkristallint kisel, ett defektfritt ledande material tillverkat av atomer arrangerade i en kontinuerligt ordnad inriktning. Teamet försökte skapa en exakt, endimensionell linjedefekt, eller luxation, genom kisel, genom vilka joner förutsägbart skulle kunna flöda.

Att göra så, forskarna började med en oblat av kisel, liknar, i mikroskopisk upplösning, ett hönsnätsmönster. De odlade sedan ett liknande mönster av kiselgermanium - ett material som också används ofta i transistorer - ovanpå kiselskivan. Silikongermaniums gitter är något större än kisel, och Kim hittade det tillsammans, de två perfekt inkompatibla materialen kan bilda en trattliknande dislokation, skapa en enda väg genom vilken joner kan flöda.

Forskarna tillverkade ett neuromorft chip bestående av konstgjorda synapser gjorda av kiselgermanium, varje synaps mäter cirka 25 nanometer i diameter. De applicerade spänning på varje synaps och fann att alla synapser uppvisade mer eller mindre samma ström, eller flöde av joner, med cirka 4 procents variation mellan synapser - en mycket mer enhetlig prestanda jämfört med synapser gjorda av amorft material.

De testade också en enda synaps under flera försök, tillämpar samma spänning över 700 cykler, och fann att synapsen visade samma ström, med bara 1 procents variation från cykel till cykel.

"Detta är den mest enhetliga enheten vi kunde uppnå, som är nyckeln till att demonstrera artificiella neurala nätverk, " säger Kim.

Skrift, erkänd

Som ett sista test, Kims team undersökte hur dess enhet skulle fungera om den skulle utföra faktiska inlärningsuppgifter – specifikt, känna igen exempel på handstil, som forskare anser vara ett första praktiskt test för neuromorfa chips. Sådana chips skulle bestå av "input/dolda/output neuroner, " var och en kopplad till andra "neuroner" via filamentbaserade konstgjorda synapser.

Forskare tror att sådana högar av neurala nät kan göras för att "lära." Till exempel, när den matas med en indata som är en handskriven '1, ' med en utgång som märker den som '1, ' vissa utgångsneuroner kommer att aktiveras av ingångsneuroner och vikter från en artificiell synaps. När fler exempel på handskrivna '1:or' matas in i samma chip, samma utgångsneuroner kan aktiveras när de känner av liknande egenskaper mellan olika prover av samma bokstav, alltså "lära" på ett sätt som liknar vad hjärnan gör.

Kim och hans kollegor körde en datorsimulering av ett artificiellt neuralt nätverk bestående av tre blad med neurala skikt anslutna via två lager av artificiella synapser, vars egenskaper de baserat på mätningar från deras faktiska neuromorfa chip. De matade in tiotusentals prover i sin simulering från en handskriven igenkänningsdatauppsättning som vanligtvis används av neuromorfa designers, och fann att deras neurala nätverkshårdvara kände igen handskrivna prover 95 procent av tiden, jämfört med 97 procents noggrannhet hos befintliga mjukvarualgoritmer.

Teamet håller på att tillverka ett fungerande neuromorfiskt chip som kan utföra handskriftsigenkänningsuppgifter, inte i simulering utan i verkligheten. Om man ser bortom handstil, Kim säger att lagets konstgjorda synapsdesign kommer att möjliggöra mycket mindre, bärbara neurala nätverksenheter som kan utföra komplexa beräkningar som för närvarande bara är möjliga med stora superdatorer.

"I slutändan vill vi ha ett chip stort som en fingernagel för att ersätta en stor superdator, " säger Kim. "Detta öppnar en språngbräda för att producera riktig konstgjord hårdvara."