Ett team av forskare från Moskvas institut för fysik och teknologi (MIPT) har skapat prototyper av "elektroniska synapser" baserade på ultratunna filmer av hafniumoxid (HfO) ₂ ). Dessa prototyper skulle kunna användas i fundamentalt nya datorsystem. Uppsatsen har publicerats i tidskriften Forskningsbrev i nanoskala .

Gruppen av forskare från MIPT har gjort HfO ₂ -baserade memristorer som bara mäter 40x40 nm ² . Nanostrukturerna de byggde uppvisar egenskaper som liknar biologiska synapser. Med hjälp av nyutvecklad teknik, memristorerna integrerades i matriser – i framtiden, denna teknik kan användas för att designa datorer som fungerar på samma sätt som biologiska neurala nätverk.

Memristorer (motstånd med minne) är enheter som kan ändra sitt tillstånd (konduktivitet) beroende på laddningen som passerar genom dem, och de har därför ett minne av sin "historia". I den här studien, forskarna använde enheter baserade på tunnfilmshafniumoxid, ett material som redan används i produktionen av moderna processorer. Detta innebär att denna nya labbteknik kan, om så krävs, lätt att användas i industriella processer.

"I en enklare version, memristorer lovar binära icke-flyktiga minnesceller där information skrivs genom att växla det elektriska motståndet – från högt till lågt och tillbaka igen. Det vi försöker visa är mycket mer komplexa funktioner hos memristorer – att de beter sig likt biologiska synapser, sa Yury Matveyev, motsvarande författare till tidningen, och seniorforskare vid MIPT:s Laboratory of Functional Materials and Devices for Nanoelectronics, kommenterar studien.

Synapser – nyckeln till inlärning och minne

En synaps är kopplingspunkten mellan neuroner, vars huvudfunktion är att sända en signal (en spik – en viss typ av signal, se fig. 2) från en neuron till en annan. Varje neuron kan ha tusentals synapser som ansluter till ett stort antal andra neuroner. Detta innebär att information kan behandlas parallellt, snarare än sekventiellt (som i moderna datorer). Detta är anledningen till att "levande" neurala nätverk är så oerhört effektiva både vad gäller hastighet och energiförbrukning för att lösa ett stort antal uppgifter, som bild- och röstigenkänning.

Över tid, synapser kan ändra sin "vikt", dvs deras förmåga att sända en signal. Denna egenskap tros vara nyckeln till att förstå hjärnans inlärnings- och minnesfunktioner.

Ur fysisk synvinkel, synaptiskt "minne" och "inlärning" i hjärnan kan tolkas på följande sätt:Den neurala anslutningen besitter en viss "ledningsförmåga, " som bestäms av den tidigare "historiken" av signaler som har passerat genom anslutningen. Om en synaps sänder en signal från en neuron till en annan, vi kan säga att den har hög "ledningsförmåga, " och om det inte gör det, vi säger att den har låg "ledningsförmåga". Dock, synapser fungerar inte bara i på/av-läge; de kan ha vilken mellanvikt som helst (mellankonduktivitetsvärde). Följaktligen, om vi vill simulera dem med hjälp av vissa enheter, dessa enheter måste också ha analoga egenskaper.

Memristor som en analog till synapsen

Som i en biologisk synaps, värdet av den elektriska ledningsförmågan hos en memristor är resultatet av dess tidigare "livslängd" från det ögonblick den tillverkades.

Det finns ett antal fysiska effekter som kan utnyttjas för att designa memristorer. I den här studien, författarna använde enheter baserade på ultratunn-film hafniumoxid, som uppvisar effekten av mjuk (reversibel) elektrisk nedbrytning under ett pålagt externt elektriskt fält. Oftast, dessa enheter använder endast två olika tillstånd som kodar logisk noll och ett. Dock, för att simulera biologiska synapser, ett kontinuerligt spektrum av konduktiviteter måste användas i enheterna.

"Den detaljerade fysiska mekanismen bakom funktionen hos memristorerna i fråga diskuteras fortfarande. den kvalitativa modellen är följande:i metall-ultratinoxid-metallstrukturen, laddningspunktsdefekter, såsom vakanser av syreatomer, bildas och rör sig i oxidskiktet när de utsätts för ett elektriskt fält. Det är dessa defekter som är ansvariga för den reversibla förändringen i oxidskiktets konduktivitet, " säger medförfattaren till uppsatsen och forskaren vid MIPT:s Laboratory of Functional Materials and Devices for Nanoelectronics, Sergey Zakharchenko.

Författarna använde de nyutvecklade "analoga" memristorerna för att modellera olika inlärningsmekanismer ("plasticitet") för biologiska synapser. Särskilt, detta involverade funktioner som långvarig potentiering (LTP) eller långtidsdepression (LTD) av en koppling mellan två neuroner. Det är allmänt accepterat att dessa funktioner är de underliggande minnesmekanismerna i hjärnan.

Författarna lyckades också demonstrera en mer komplex mekanism – spike-timing-beroende plasticitet, d.v.s. beroendet av värdet av kopplingen mellan neuroner på den relativa tid det tar för dem att "utlösas". Det har tidigare visat sig att denna mekanism är ansvarig för associativ inlärning – hjärnans förmåga att hitta samband mellan olika händelser.

För att demonstrera denna funktion i deras memristorenheter, författarna använde medvetet en elektrisk signal som återgav, så långt som möjligt, signalerna i levande neuroner, och de fick ett beroende som var mycket likt det som observerades i levande synapser (se fig. 3).

Dessa resultat gjorde det möjligt för författarna att bekräfta att de element som de hade utvecklat kunde betraktas som en prototyp av den "elektroniska synapsen, " som skulle kunna användas som grund för hårdvaruimplementeringen av artificiella neurala nätverk.

"Vi har skapat en baslinjematris av memristorer i nanoskala som visar egenskaperna hos biologiska synapser. Tack vare denna forskning, vi är nu ett steg närmare att bygga ett artificiellt neuralt nätverk. Det kanske bara är det allra enklaste av nätverk, men det är ändå en hårdvaruprototyp, " sa chefen för MIPT:s laboratorium för funktionella material och enheter för nanoelektronik, Andrey Zenkevich.