(Phys.org)—När du hör ett ljud, bara några av nervcellerna i hörselbarken i din hjärna är aktiverade. Detta beror på att varje hörselneuron är inställd på ett visst ljudområde, så att varje neuron är mer känslig för vissa typer och ljudnivåer än andra. I en ny studie, forskare har designat ett neuromorft ("hjärninspirerat") datorsystem som efterliknar denna neurala selektivitet genom att använda artificiella nivåinställda neuroner som preferentiellt svarar på specifika typer av stimuli.

I framtiden, nivåinställda neuroner kan hjälpa neuromorfa datorsystem att utföra uppgifter som traditionella datorer inte kan, som att lära av sin omgivning, mönsterigenkänning, och kunskapsutvinning från stora datakällor.

Forskarna, Angeliki Pantazi et al ., vid IBM Research-Zurich och École Polytechnique Fédérale de Lausanne, både i Schweiz, har publicerat en artikel om den nya neuromorfa arkitekturen i ett nyligen utgåva av Nanoteknik .

Som alla neuromorfa datorarkitekturer, det föreslagna systemet är baserat på neuroner och deras synapser, som är korsningarna där neuroner skickar signaler till varandra. I den här studien, forskarna implementerade fysiskt artificiella neuroner med hjälp av fasförändringsmaterial. Dessa material har två stabila tillstånd:ett kristallint, lågresistivitetstillstånd och en amorf, högresistivitetstillstånd. Precis som i traditionell datoranvändning, tillstånden kan växlas genom applicering av en spänning. När neuronets konduktans når en viss tröskel, neuronen bränder.

"Vi har visat att fasförändringsbaserade memristiva enheter kan användas för att skapa artificiella neuroner och synapser för att lagra och bearbeta data, " berättade medförfattare Evangelos Eleftheriou vid IBM Research-Zurich Phys.org . "En fasförändringsneuron använder faskonfigurationen av fasförändringsmaterialet för att representera dess inre tillstånd, membranpotentialen. För fasförändringssynapsen, den synaptiska vikten - som är ansvarig för plasticiteten - kodas av konduktansen hos nanodelenheten. "

I denna arkitektur, varje neuron är inställd på ett specifikt område, eller nivå. Neuroner tar emot signaler från många andra neuroner, och en nivå definieras som det kumulativa bidraget av summan av dessa inkommande signaler.

"Vi har introducerat den biologiskt inspirerade arkitekturen av nivåjusterade neuroner som kan särskilja olika mönster på ett oövervakat sätt, " sa Eleftheriou. "Detta är viktigt för utvecklingen av ultratäta, skalbar och energieffektiv neuromorphic computing."

En av de främsta fördelarna med dessa mycket selektiva nivåinställda neuroner är deras förbättrade inlärningsförmåga. I neuromorphic computing, lärande sker genom upprepade inkommande signaler, vilket stärker vissa synaptiska anslutningar. Forskarna visade att nivåjusterade neuroner är mycket bra på att lära sig flera inmatningsmönster, även i närvaro av ingångsbrus.

"Till och med en enda neuron kan användas för att upptäcka mönster och för att upptäcka korrelationer i realtidsströmmar av händelsebaserad data, ", sa Eleftheriou. "Nivåavstämda neuroner ökar förmågan hos ett enstaka neuronnätverk för att urskilja information när flera mönster visas vid ingången. Nivåinställda neuroner, tillsammans med höghastighets- och lågenergiegenskaperna för deras fasförändringsbaserade implementering, kommer att vara särskilt användbar för olika nya tillämpningar, som Internet of Things, som samlar in och analyserar stora mängder sensorisk information och applikationer för att upptäcka mönster i datakällor, från sociala medier för att upptäcka trender, eller väderdata för realtidsprognoser, eller sjukvårdsdata för att upptäcka mönster i sjukdomar, etc."

I framtiden, forskarna planerar att vidareutveckla konceptet med artificiella nivåinställda neuroner för att designa förbättrade storskaliga neurala nätverk.

"Vi kommer att undersöka mer komplexa beräkningsuppgifter baserade på artificiella spikneuroner och deras synapser, " sade Eleftheriou. "Vi är intresserade av att studera skalningspotentialen och tillämpningarna av sådana neuromorfa system i kognitiva datorsystem."

© 2016 Phys.org