Schematisk koppling av två biologiska neuroner via en synaps. För tydlighetens skull visas endast en av de cirka 10 000 synapser som varje neuron har. De biologiska synapserna ska efterliknas av memristiva redoxaktiva anordningar, enligt skiss till höger. Genom ett så kallat formningssteg bildas en filament i en övergångsmetalloxidcell (zirkoniumoxid i detta fall) några nanometer stor. Via en applicerad spänning kan syrevakanser dras in i gapet mellan glödtrådsspetsen och elektroden till vänster och minska motståndet (SET-processen). En omvänd spänningspolaritet vänder processen (RESET-processen). Kredit:Forschungszentrum Jülich
Vissa uppgifter – som att känna igen mönster och språk – utförs mycket effektivt av en mänsklig hjärna, och kräver bara ungefär en tiotusendel av energin hos en konventionell, så kallad "von Neumann"-dator. En av anledningarna ligger i de strukturella skillnaderna:I en von Neumann-arkitektur finns en tydlig åtskillnad mellan minne och processor, vilket kräver konstant flyttning av stora mängder data. Detta är tid- och energikrävande – den så kallade von Neumann-flaskhalsen. I hjärnan sker beräkningsoperationen direkt i dataminnet och de biologiska synapserna utför minnes- och processoruppgifterna samtidigt.
I Forschungszentrum Jülich har forskare arbetat i mer än 15 år med speciella datalagringsenheter och komponenter som kan ha liknande egenskaper som synapserna i den mänskliga hjärnan. Så kallade memristiva minnesenheter, även kända som memristorer, anses vara extremt snabba och energibesparande och kan miniatyriseras mycket bra ner till nanometerområdet. Funktionen hos memristiva celler bygger på en mycket speciell effekt:Deras elektriska resistans är inte konstant, utan kan ändras och återställas igen genom att applicera en extern spänning, teoretiskt kontinuerligt. Förändringen i motstånd styrs av syrejonernas rörelse. Om dessa rör sig ut ur det halvledande metalloxidskiktet blir materialet mer ledande och det elektriska motståndet sjunker. Denna förändring i motstånd kan användas för att lagra information.
De processer som kan ske i celler är komplexa och varierar beroende på materialsystem. Tre forskare från Jülich Peter Grünberg Institute—Prof. Regina Dittmann, Dr. Stephan Menzel och Prof. Rainer Waser—har därför sammanställt sina forskningsresultat i en detaljerad översiktsartikel, "Nanojoniska memristiva fenomen i metalloxider:valensförändringsmekanismen." De förklarar i detalj de olika fysikaliska och kemiska effekterna i memristorer och belyser inverkan av dessa effekter på memristiva cellers omkopplingsegenskaper och deras tillförlitlighet.
"Om man tittar på aktuella forskningsaktiviteter inom området neuromorfa memristorkretsar, så är de ofta baserade på empiriska tillvägagångssätt för materialoptimering", säger Rainer Waser, chef vid Peter Grünberg Institute. "Vårt mål med vår översiktsartikel är att ge forskare något att arbeta med för att möjliggöra insiktsdriven materialoptimering." Författarteamet arbetade med den cirka 200 sidor långa artikeln i tio år och var naturligtvis tvungna att fortsätta införliva kunskapsframsteg.
"Den analoga funktionen hos memristiva celler som krävs för att de ska användas som artificiella synapser är inte normalfallet. Vanligtvis sker plötsliga hopp i motstånd, som genereras av den ömsesidiga förstärkningen av jonisk rörelse och joulevärme", förklarar Regina Dittmann från Peter Grünberg-institutet . "I vår översiktsartikel ger vi forskare den nödvändiga förståelsen för hur man ändrar dynamiken i cellerna för att möjliggöra ett analogt driftläge."
"Man ser gång på gång att grupper simulerar sina memristorkretsar med modeller som inte alls tar hänsyn till hög dynamik i cellerna. Dessa kretsar kommer aldrig att fungera", säger Stephan Menzel, som leder modelleringsaktiviteter vid Peter Grünberg Institute och har utvecklat kraftfulla kompakta modeller som nu är offentliga. "I vår recensionsartikel ger vi grunderna som är oerhört användbara för en korrekt användning av våra kompakta modeller."
Färdkarta för neuromorfisk beräkning
"Roadmap of Neuromorphic Computing and Engineering", som publicerades i maj 2022, visar hur neuromorphic computing kan bidra till att minska den enorma energiförbrukningen av IT globalt. I den har forskare från Peter Grünberg Institute (PGI-7), tillsammans med ledande experter inom området, sammanställt de olika tekniska möjligheterna, beräkningsmetoden, inlärningsalgoritmerna och användningsområdena.
Enligt studien kommer tillämpningar inom området artificiell intelligens, såsom mönsterigenkänning eller taligenkänning, sannolikt att dra nytta av användningen av neuromorf hårdvara på ett speciellt sätt. Detta beror på att de är baserade - mycket mer än klassiska numeriska beräkningsoperationer - på förskjutning av stora mängder data. Memristiva celler gör det möjligt att bearbeta dessa gigantiska datamängder direkt i minnet utan att transportera dem fram och tillbaka mellan processor och minne. Detta skulle kunna minska energieffektiviteten hos artificiella neurala nätverk i storleksordningar.
Memristiva celler kan också kopplas samman för att bilda högdensitetsmatriser som gör det möjligt för neurala nätverk att lära sig lokalt. Denna så kallade edge computing flyttar alltså beräkningar från datacentret till fabriksgolvet, fordonet eller hemmet för vårdbehövande. Således kan övervakning och kontroll av processer eller initiera räddningsåtgärder göras utan att skicka data via ett moln.
"Detta uppnår två saker samtidigt:du sparar energi, och samtidigt finns personliga data och data som är relevanta för säkerheten kvar på plats", säger Prof. Dittmann, som spelade en nyckelroll i att skapa färdplanen som redaktör.
De associerade studierna publicerades i Advances in Physics och Neuromorphic Computing and Engineering . + Utforska vidare
