Vi tror ofta att datorer är effektivare än människor. När allt kommer omkring kan datorer slutföra en komplex matematisk ekvation på ett ögonblick och kan också komma ihåg namnet på den skådespelare som vi hela tiden glömmer. Men mänskliga hjärnor kan bearbeta komplicerade lager av information snabbt, exakt och nästan utan energitillförsel:känna igen ett ansikte efter att bara ha sett det en gång eller omedelbart veta skillnaden mellan ett berg och havet.

Dessa enkla mänskliga uppgifter kräver enorm bearbetning och energiinmatning från datorer, och även då, med varierande grad av noggrannhet.

Att skapa hjärnliknande datorer med minimalt energibehov skulle revolutionera nästan alla aspekter av det moderna livet. Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C) – ett rikstäckande konsortium som leds av University of California San Diego – har legat i framkant av denna forskning.

UC San Diego biträdande professor i fysik Alex Frañó är meddirektör för Q-MEEN-C och tänker på centrets arbete i etapper. I den första fasen arbetade han nära president emeritus vid University of California och professor i fysik Robert Dynes, samt Rutgers professor i teknik Shriram Ramanathan. Tillsammans lyckades deras team hitta sätt att skapa eller efterlikna egenskaperna hos ett enskilt hjärnelement (som en neuron eller synaps) i ett kvantmaterial.

Nu, i fas två, ny forskning från Q-MEEN-C, publicerad i Nano Letters , visar att elektriska stimuli som skickas mellan angränsande elektroder också kan påverka icke-angränsande elektroder. Den här upptäckten, känd som icke-lokal, är en avgörande milstolpe på resan mot nya typer av enheter som efterliknar hjärnfunktioner som kallas neuromorfiska datorer.

"I hjärnan har man förstått att dessa icke-lokala interaktioner är nominella - de sker ofta och med minimal ansträngning", säger Frañó, en av tidningens medförfattare. "Det är en avgörande del av hur hjärnan fungerar, men liknande beteenden som replikeras i syntetiska material är få."

Liksom många forskningsprojekt som nu bär frukt, uppstod idén att testa om icke-lokalitet i kvantmaterial var möjligt under pandemin. Fysiska labbutrymmen var slutna, så teamet körde beräkningar på arrayer som innehöll flera enheter för att efterlikna de flera neuronerna och synapserna i hjärnan. När de körde dessa tester fann de att icke-lokalitet var teoretiskt möjligt.

När labben öppnade igen förfinade de denna idé ytterligare och anlitade UC San Diego Jacobs School of Engineering docent Duygu Kuzum, vars arbete inom el- och datorteknik hjälpte dem att förvandla en simulering till en verklig enhet.

Detta innebar att man tog en tunn film av nickelat - ett "kvantmaterial"-keramik som uppvisar rika elektroniska egenskaper - att sätta in vätejoner och sedan placera en metallledare ovanpå. En tråd är fäst vid metallen så att en elektrisk signal kan skickas till nickelatet. Signalen får de gelliknande väteatomerna att flytta in i en viss konfiguration och när signalen tas bort finns den nya konfigurationen kvar.

"Det här är i huvudsak hur ett minne ser ut," sa Frañó. "Enheten kommer ihåg att du störde materialet. Nu kan du finjustera var dessa joner går för att skapa vägar som är mer ledande och lättare för elektricitet att flöda igenom."

Att skapa nätverk som transporterar tillräckligt med el för att driva något som en bärbar dator kräver traditionellt komplicerade kretsar med kontinuerliga anslutningspunkter, vilket är både ineffektivt och dyrt. Designkonceptet från Q-MEEN-C är mycket enklare eftersom det icke-lokala beteendet i experimentet innebär att alla ledningar i en krets inte behöver vara anslutna till varandra. Tänk på ett spindelnät, där rörelse i en del kan kännas över hela nätet.

Detta är analogt med hur hjärnan lär sig:inte på ett linjärt sätt, utan i komplexa lager. Varje del av lärandet skapar kopplingar i flera delar av hjärnan, vilket gör att vi kan skilja inte bara träd från hundar, utan en ek från en palm eller en golden retriever från en pudel.

Hittills kan dessa mönsterigenkänningsuppgifter som hjärnan utför så vackert bara simuleras genom datorprogram. AI-program som ChatGPT och Bard använder komplexa algoritmer för att efterlikna hjärnbaserade aktiviteter som att tänka och skriva. Och de gör det riktigt bra. Men utan motsvarande avancerad hårdvara för att stödja det, kommer mjukvaran någon gång att nå sin gräns.

Frañó är angelägen om en hårdvararevolution som liknar den som för närvarande sker med mjukvara, och visar att det är möjligt att reproducera icke-lokalt beteende i ett syntetiskt material tum forskare ett steg närmare. Nästa steg kommer att innebära att skapa mer komplexa arrayer med fler elektroder i mer utarbetade konfigurationer.

"Detta är ett mycket viktigt steg framåt i våra försök att förstå och simulera hjärnfunktioner", säger Dynes, som också är medförfattare. "Att visa ett system som har icke-lokala interaktioner leder oss vidare i riktning mot hur våra hjärnor tänker. Våra hjärnor är naturligtvis mycket mer komplicerade än så här men ett fysiskt system som kan lära sig måste vara mycket interaktivt och detta är ett nödvändigt första steg. Vi kan nu tänka på längre räckviddskoherens i rum och tid."

"Det är allmänt förstått att för att den här tekniken verkligen ska explodera måste vi hitta sätt att förbättra hårdvaran - en fysisk maskin som kan utföra uppgiften i kombination med mjukvaran," sa Frañó. "Nästa fas kommer att vara en där vi skapar effektiva maskiner vars fysiska egenskaper är de som gör lärandet. Det kommer att ge oss ett nytt paradigm i världen av artificiell intelligens."

Mer information: Ravindra Singh Bisht et al, Spatial Interactions in Hydrogenated Perovskite Nickelate Synaptic Networks, Nano Letters (2023). DOI:10.1021/acs.nanolett.3c02076

Journalinformation: Nanobokstäver

Tillhandahålls av University of California - San Diego