Neurala nätverk är några av de viktigaste verktygen inom artificiell intelligens (AI):de efterliknar den mänskliga hjärnans funktion och kan på ett tillförlitligt sätt känna igen texter, språk och bilder, för att bara nämna några. Än så länge, de körs på traditionella processorer i form av adaptiv mjukvara, men experter arbetar på ett alternativt koncept, den "neuromorfa datorn". I detta fall, hjärnans kopplingspunkter – neuronerna – simuleras inte av mjukvara utan rekonstrueras i hårdvarukomponenter. Ett team av forskare vid Helmholtz-Zentrum Dresden-Rossendorf (HZDR) har nu demonstrerat ett nytt tillvägagångssätt för sådan hårdvara - riktade magnetiska vågor som genereras och delas upp i mikrometerstora skivor. Med blicken mot framtiden, detta kan innebära att optimeringsuppgifter och mönsterigenkänning kan utföras snabbare och mer energieffektivt. Forskarna har presenterat sina resultat i tidskriften Fysiska granskningsbrev .

Teamet baserade sina undersökningar på en liten skiva av det magnetiska materialet järnnickel, med en diameter som bara är några mikrometer bred. En guldring är placerad runt denna skiva:När en växelström i gigahertzområdet flödar genom den, den avger mikrovågor som exciterar så kallade spinnvågor i skivan. "Elektronerna i järnnicklet uppvisar ett snurr, en sorts virvlande på platsen snarare som en snurra, " Helmut Schultheiß, chef för Emmy Noether Group "Magnonics" vid HZDR, förklarar. "Vi använder mikrovågsimpulserna för att kasta elektrontoppen lite ur kurs." Elektronerna överför sedan denna störning till sina respektive grannar – vilket gör att en spinnvåg skjuter genom materialet. Information kan transporteras mycket effektivt på detta sätt utan att själva behöva flytta elektronerna, vilket är vad som förekommer i dagens datorchips.

Tillbaka 2019, Schultheiß-gruppen upptäckte något anmärkningsvärt:under vissa omständigheter, spinnvågen som genereras i den magnetiska virveln kan delas upp i två vågor, var och en med en reducerad frekvens. "Sk icke-linjära effekter är ansvariga för detta, " förklarar Schultheißs kollega Lukas Körber. "De aktiveras bara när den bestrålade mikrovågseffekten passerar en viss tröskel." Sådant beteende tyder på spinnvågor som lovande kandidater för artificiella neuroner eftersom det finns en fantastisk parallell med hjärnans funktion:dessa neuroner också eldas endast när en viss stimulitröskel har passerats.

Mikrovågsugn lockbete

I början, dock, forskarna kunde inte kontrollera uppdelningen av spinnvågen mycket exakt. Körber förklarar varför:"När vi skickade in mikrovågsugnen i skivan, det fanns en tidsfördröjning innan spinnvågen delade sig i två nya vågor. Och det här var svårt att kontrollera." Så, teamet var tvungen att tänka ut en väg runt problemet, som de nu har beskrivit i Fysiska granskningsbrev :Förutom guldringen, en liten magnetremsa fästs nära den magnetiska skivan. En kort mikrovågssignal genererar en spinnvåg i denna remsa som kan interagera med spinnvågen i wafern och därmed fungera som ett slags lockbete. Spinnvågen i remsan gör att vågen i wafern delar sig snabbare. "En mycket kort extra signal är tillräcklig för att göra splittringen snabbare, Körber förklarar. "Detta innebär att vi nu kan trigga processen och kontrollera tidsfördröjningen."

Vilket också betyder att i princip, det har bevisats att spinnvågsskivor är lämpliga för artificiella hårdvarunuroner – de växlar på samma sätt som nervceller i hjärnan och kan styras direkt. "Nästa sak vi vill göra är att bygga ett litet nätverk med våra spinnvågsneuroner, " Helmut Schultheiß meddelar. "Detta neuromorfa nätverk bör sedan utföra enkla uppgifter som att känna igen enkla mönster."

Ansiktsigenkänning och trafikoptimering Mönsterigenkänning är en av de viktigaste tillämpningarna för AI. Ansiktsigenkänning på en smartphone, till exempel, undanröjer behovet av ett lösenord. För att det ska fungera, ett neuralt nätverk måste tränas i förväg, som involverar enorm datorkraft och enorma mängder data. Smartphonetillverkare överför detta nätverk till ett speciellt chip som sedan integreras i mobiltelefonen. Men chippet har en svaghet. Det är inte adaptivt, så kan inte känna igen ansikten som bär en mask, till exempel.

En neuromorf dator, å andra sidan, skulle också kunna hantera situationer som denna:i motsats till konventionella chips, dess komponenter är inte hårda utan fungerar som nervceller i hjärnan. "På grund av detta, en neuromorf dator kan bearbeta stora mängder data på en gång, precis som en människa – och mycket energieffektivt då, ", entusiasmerar Schultheiß. Förutom mönsterigenkänning, den nya typen av dator kan också visa sig användbar inom ett annat ekonomiskt relevant område:för optimeringsuppgifter som ruttplanerare för smartphones med hög precision.