Käsialakuvion ennätysmäistä tunnistusta

Korea Institute of Materials Sciencessa (KIMS) on kehitetty neuromorfinen puolijohderakenne, jolla saavutettiin maailman paras käsinkirjoitetun merkkien tunnistusaste.

Tohtori Yong-hun Kimin ja Jeong-Dae Kwonin johtaman tutkimusryhmän kehittämä kaksiulotteinen MoS2 -synapsirakenne on yhdistetty kiinteään litiumsilikaattiseen elektrolyytin ohutkalvoon.

Rakenne osoittaa erinomaista lineaarisuutta ja symmetriaa sähköisessä potentioinnissa ja sen laskussa, joka syntyy Li-ionien palautuvasta interkalaatiosta MoS2:een kanavaan.

Tutkijoiden mukaan kyseessä on avainelementti seuraavan tekoälysukupolven puolijohteiden valmistusteknologille.

Perinteiset menetelmät synaptisten painojen säätelyyn ovat olleet varausloukkujen käyttö heterogeenisten materiaalien tai happi-ioni rajapintojen välillä. Näissä ratkaisuissa on kuitenkin vaikea ohjata ionien liikettä haluttuun suuntaan ulkoisen sähkökentän mukaan.

Tutkijat ratkaisivat tämän ongelman korkean tiheyden omaavalla tekoälyn puolijohderakenteella kehittämällä ohutkalvoprosessia säilyttäen samalla litiumionien edestakaisen liikkuvuuden ulkoisen sähkökentän mukaan. Kehitetty ohutkalvo soveltuu olemassa oleviin puolijohdeprosessihin, koska se mahdollistaa hienokuvioiden käsittelyn samalla kun hallitaan kiekkotason paksuutta.

Tutkimusryhmä toteutti keinotekoisen neuroverkon oppimismallin kehittämällään synapsipiirillä ja kehitti tarvittavan käsin kirjoitettujen kuvien tunnistuksen. Näin saavutettiin maailmanennätyksellinen tunnistusaste noin 97 prosenttia yli 500 toistokerralla.

Tutkijoiden mukaan heidän tulokset tarjoavat tulevaisuuden näkökulman vahvalle synaptiselle laitearkkitehtuurille, jossa kiinteitä litiumelektrolyyttejä on pinottu 2D van der Waals kerroskanavien kanssa yhteen erittäin tarkkoja analogisia neuromorfisia laskentajärjestelmiä ajatellen.

Tutkimusryhmä mainitsee erikseen, että "Meidän seuraavan sukupolven neuromorfinen puolijohderakenne ei vaadi CPU:ta ja muistia eli perinteistä Von Neumann -tyyppistä informaation prosessointi- ja muistipiirejä. Se voi samanaikaisesti käsitellä ja tallentaa informaatiota sekä oppii ja tunnistaa kuvia, kuten käsinkirjoituskuvioita.

Ratkaisua odotetaan sovellettavan erilaisiin pienitehoisiin tekoälylaitteisiin, kuten maailmanluokan neuromorfisiin laitteistojärjestelmiin, haptisiin laitteisiin ja näkösensoreihin.

Aiheesta aiemmin:

Aivojakin tehokkaampaa synapsitekniikkaa

Kohina täydentää tekoälyä optisessa laskennassa