Under 1990-talet Carver Mead och kollegor kombinerade grundforskning inom neurovetenskap med elegant analog kretsdesign inom elektronikteknik. Detta banbrytande arbete med neuromorfa elektroniska kretsar inspirerade forskare i Tyskland och Schweiz att undersöka möjligheten att reproducera fysiken hos verkliga neurala kretsar genom att använda kiselns fysik.

Området "hjärnhärmare" neuromorf elektronik visar stor potential, inte bara för grundforskning utan också för kommersiellt utnyttjande av "always-on edge computing" och "internet of things"-applikationer.

I Bokstäver i tillämpad fysik Elisabetta Chicca, från Bielefeld University, och Giacomo Indiveri, från universitetet i Zürich och ETH Zürich, presentera sitt arbete för att förstå hur neurala bearbetningssystem inom biologi utför beräkningar, samt ett recept för att reproducera dessa beräkningsprinciper i blandad signal analog/digital elektronik och nya material.

En av de mest utmärkande beräkningsegenskaperna hos neurala nätverk är inlärning, så Chicca och Indiveri är särskilt intresserade av att reproducera de adaptiva och plastiska egenskaperna hos riktiga synapser. De använde både standardkomplementära metalloxidhalvledare (CMOS) elektroniska kretsar och avancerad minnesteknik i nanoskala, såsom minnesanordningar¬, att bygga intelligenta system som kan lära sig.

Detta arbete är betydelsefullt, eftersom det kan leda till en bättre förståelse för hur man implementerar sofistikerad signalbehandling med extremt energisnåla och kompakta enheter.

Deras viktigaste resultat är att de uppenbara nackdelarna med dessa lågeffektsdatorteknologier, främst relaterat till låg precision, hög känslighet för brus och stor variation, faktiskt kan utnyttjas för att utföra robusta och effektiva beräkningar, mycket som hjärnan kan använda mycket variabla och bullriga neuroner för att implementera robust beteende.

Forskarna sa att det är förvånande att se området för minnesteknik, ägnar sig vanligtvis åt bitexakt enhetsteknologi med hög densitet, ser nu på djurhjärnor som en inspirationskälla för att förstå hur man bygger adaptiva och robusta neurala bearbetningssystem. Det ligger mycket i linje med den grundforskningsagenda som Mead och kollegor följde för mer än 30 år sedan.

"De elektroniska neurala bearbetningssystemen som vi bygger är inte avsedda att konkurrera med de kraftfulla och exakta artificiella intelligenssystemen som körs på kraftkrävande stora datorkluster för naturlig språkbehandling eller högupplöst bildigenkänning och klassificering, sa Chicca.

I kontrast, deras system "erbjuder lovande lösningar för de applikationer som kräver kompakt och mycket låg effekt (submilliwatt) realtidsbehandling med korta latenser, " sa Indiveri.

Han sa att exempel på sådana applikationer faller inom domänen "extreme-edge computing", som kräver en liten mängd artificiell intelligens för att extrahera information från live eller strömmande sensoriska signaler, till exempel för biosignalbehandling i bärbara enheter, gränssnitt mellan hjärna och maskin och alltid aktiv miljöövervakning."