IBM-forskare har skapat slumpmässigt spikande neuroner med hjälp av fasförändringsmaterial för att lagra och bearbeta data. Denna demonstration markerar ett viktigt steg framåt i utvecklingen av energieffektiva, ultratäta integrerade neuromorfa teknologier för tillämpningar inom kognitiv datoranvändning.

Inspirerad av hur den biologiska hjärnan fungerar, forskare har i årtionden teoretiserat att det borde vara möjligt att imitera den mångsidiga beräkningskapaciteten hos stora populationer av neuroner. Dock, att göra det i tätheter och med en energibudget som skulle vara jämförbar med dem man ser inom biologi har varit en betydande utmaning, tills nu.

"Vi har undersökt fasförändringsmaterial för minnesapplikationer i över ett decennium, och våra framsteg under de senaste 24 månaderna har varit anmärkningsvärda, " sa IBM Fellow Evangelos Eleftheriou. "Under denna period, vi har upptäckt och publicerat nya minnestekniker, inklusive projicerat minne, lagrade 3 bitar per cell i fasförändringsminnet för första gången, och nu visar de kraftfulla egenskaperna hos fasförändringsbaserade artificiella neuroner, som kan utföra olika beräkningsprimitiver som datakorrelationsdetektering och oövervakad inlärning vid höga hastigheter med mycket lite energi."

De konstgjorda neuronerna designade av IBM-forskare i Zürich består av fasförändringsmaterial, inklusive germanium antimon tellurid, som uppvisar två stabila tillstånd, en amorf (utan en tydligt definierad struktur) och en kristallin (med struktur). Dessa material är grunden för återskrivbara Blu-ray-skivor. Dock, de artificiella neuronerna lagrar inte digital information; de är analoga, precis som synapserna och neuronerna i vår biologiska hjärna.

I den publicerade demonstrationen, teamet applicerade en serie elektriska pulser på de artificiella neuronerna, vilket resulterade i den progressiva kristalliseringen av fasförändringsmaterialet, i slutändan får neuronen att brinna. Inom neurovetenskap, denna funktion är känd som integrera-och-eld-egenskapen hos biologiska neuroner. Detta är grunden för händelsebaserad beräkning och, i princip, liknar hur vår hjärna utlöser ett svar när vi rör vid något varmt.

Genom att utnyttja denna integrera-och-elda-egendom, även en enda neuron kan användas för att upptäcka mönster och upptäcka korrelationer i realtidsströmmar av händelsebaserad data. Till exempel, i Internet of Things, sensorer kan samla in och analysera volymer av väderdata som samlats in vid kanten för snabbare prognoser. De artificiella neuronerna skulle kunna användas för att upptäcka mönster i finansiella transaktioner för att hitta avvikelser eller använda data från sociala medier för att upptäcka nya kulturella trender i realtid. Stora populationer av dessa höghastighets-, neuroner i nanoskala med låg energi skulle också kunna användas i neuromorfa samprocessorer med samlokaliserade minnes- och bearbetningsenheter.

IBM-forskare har organiserat hundratals artificiella neuroner i populationer och använt dem för att representera snabba och komplexa signaler. Dessutom, de artificiella neuronerna har visat sig upprätthålla miljarder växlingscykler, vilket skulle motsvara flera års drift vid en uppdateringsfrekvens på 100 Hz. Energin som krävdes för varje neuronuppdatering var mindre än fem picojoule och medeleffekten mindre än 120 mikrowatt - för jämförelse, 60 miljoner mikrowatt driver en 60 watts glödlampa.

"Populationer av stokastiska fasförändringsneuroner, kombinerat med andra beräkningselement i nanoskala som konstgjorda synapser, kan vara en nyckelfaktor för skapandet av en ny generation av extremt täta neuromorfa datorsystem, sa Tomas Tuma, en medförfattare till tidningen.