Neuromorfa datorsystemteknik som efterliknar den mänskliga hjärnan måste övervinna begränsningen av överdriven strömförbrukning, som är karakteristisk för den befintliga von Neumann-beräkningsmetoden. En högpresterande, analog artificiell synapsenhet som kan uttrycka synapsanslutningsstyrka krävs för att implementera en halvledarenhet som använder en metod för överföring av hjärninformation. Denna metod använder signaler som överförs mellan neuroner när en neuron genererar en spiksignal.

Men med konventionella resistansvariabla minnesenheter som ofta används som artificiella synapser, när glödtråden växer med varierande resistans, ökar det elektriska fältet, vilket orsakar ett återkopplingsfenomen, vilket resulterar i snabb filamenttillväxt. Därför är det utmanande att implementera plasticitet samtidigt som man bibehåller analog (gradvis) resistansvariation gällande filamenttypen.

Korea Institute of Science and Technology, ledd av Dr. YeonJoo Jeongs team vid Center for Neuromorphic Engineering, löste begränsningarna för analoga synaptiska egenskaper, plasticitet och informationsbevarande, som är kroniska hinder för memristorer, neuromorfa halvledarenheter. Han tillkännagav utvecklingen av en artificiell synaptisk halvledarenhet som är kapabel till mycket tillförlitlig neuromorf beräkning.

KIST-forskargruppen finjusterade redoxegenskaperna hos aktiva elektrodjoner för att lösa små synaptiska plasticitetsproblem som hindrar prestandan hos existerande neuromorfa halvledarenheter. Vidare dopades övergångsmetaller och användes i den synaptiska enheten, vilket kontrollerade reduktionssannolikheten för aktiva elektrodjoner. Ingenjörerna upptäckte att den höga sannolikheten för reduktion av joner är en kritisk variabel i utvecklingen av högpresterande artificiella synaptiska enheter.

Därför introducerade forskargruppen en övergångsmetall av titan, med en hög jonreduktionssannolikhet, i en existerande artificiell synaptisk anordning. Detta upprätthåller synapsens analoga egenskaper och enhetens plasticitet vid synapsen i den biologiska hjärnan, ungefär fem gånger skillnaden mellan högt och lågt motstånd. Dessutom utvecklade de en högpresterande neuromorf halvledare som är ungefär 50 gånger effektivare.

Dessutom, på grund av den höga legeringsreaktionen som uppvisas av den dopade titanövergångsmetallen, ökade informationsretentionen upp till 63 gånger jämfört med den befintliga artificiella synaptiska enheten. Dessutom skulle hjärnans funktioner, inklusive långvarig potentiering och långvarig depression, kunna simuleras mer exakt.

Teamet implementerade ett artificiellt neuralt nätverksinlärningsmönster med hjälp av den utvecklade artificiella synaptiska enheten och försökte lära sig artificiell intelligens bildigenkänning. Felfrekvensen minskade med mer än 60 % jämfört med den befintliga artificiella synaptiska enheten; dessutom ökade noggrannheten för igenkänning av handskriftsmönster (MNIST) med mer än 69 %. Forskargruppen bekräftade genomförbarheten av ett högpresterande neuromorft datorsystem genom detta förbättrade den artificiella synaptiska enheten.

Dr. Jeong från KIST sa:"Denna studie förbättrade drastiskt det synaptiska rörelseomfånget och informationsbevarandet, som var de största tekniska hindren för befintliga synaptiska mimiker. I den utvecklade artificiella synapsanordningen, enhetens analoga operationsområde för att uttrycka synapsens olika anslutningar. styrkorna har maximerats, så prestandan hos hjärnsimuleringsbaserade datorer med artificiell intelligens kommer att förbättras.

"I uppföljningsforskningen kommer vi att tillverka ett neuromorft halvledarchip baserat på den utvecklade artificiella synapsanordningen för att realisera ett högpresterande artificiell intelligenssystem, och därigenom ytterligare förbättra konkurrenskraften inom det inhemska systemet och artificiell intelligens halvledarområdet."

Forskningen publicerades i Nature Communications . + Utforska vidare

Neuromorf minnesenhet simulerar neuroner och synapser