Neuromorfiseen laskentaan sopiva piitransistori

Singaporen kansallisen yliopiston (NUS) tutkijat ovat osoittaneet, että yksi standardi piitransistori voi toimia biologisena neuronina ja synapsina, kun sitä käytetään erityisellä, epätavallisella tavalla.

NUS:n College of Design and Engineeringin materiaalitieteen ja tekniikan laitoksen apulaisprofessori Mario Lanzan johtama tutkimusryhmä esittelee erittäin skaalautuvan ja energiatehokkaan ratkaisun laitteistopohjaisiin keinotekoisiin neuroverkkoihin (ANNs).

Tämä tuo neuromorfisen laskennan – jossa sirut voivat käsitellä tietoa tehokkaammin, aivan kuten ihmisaivot – lähemmäs todellisuutta.

Neuromorfisen laskennan tarkoituksena on jäljitellä aivojen laskentatehoa ja energiatehokkuutta. Tämä ei edellytä vain järjestelmäarkkitehtuurin uudelleensuunnittelua muistin ja laskennan suorittamiseksi samassa paikassa - niin sanottua muistilaskentaa (IMC) -, vaan myös sellaisten elektronisten piirirakenteiden kehittämistä, jotka hyödyntävät fyysisiä ja elektronisia ilmiöitä, jotka pystyvät toistamaan uskollisemmin neurosolujen ja synapsien toimintaa.

Nykyisiä neuromorfisia laskentajärjestelmiä kuitenkin haittaa monimutkaisten monitransistoripiirien tai uusien materiaalien tarve.

"Mahdollistaaksemme todellisen neuromorfisen laskennan, jossa mikrosirut käyttäytyvät kuin biologiset neuronit ja synapsit, tarvitsemme piiritekniikan, joka on sekä skaalautuva että energiatehokas", sanoi professori Lanza.

NUS-tutkijaryhmä on nyt osoittanut, että yksi standardi piitransistori, kun se on järjestetty ja käytetty tietyllä tavalla, voi toistaa sekä neurolaukaisun että synaptisen painon muutokset - biologisten hermosolujen ja synapsien perusmekanismeja.

Tämä saavutettiin säätämällä bulkkipäätteen resistanssi tiettyihin arvoihin, jotka mahdollistavat kahden transistorissa tapahtuvan fyysisen ilmiön ohjauksen: iskuionisoinnin kautta tapahtuvan läpäisyn ja varauksen ansoituksen.

Lisäksi ryhmä rakensi kahden transistorin solun, joka pystyy toimimaan joko neuroni- tai synaptisessa järjestelmässä, jota tutkijat ovat kutsuneet "Neuro-Synaptic Random Access Memory" tai NS-RAM.

"Muut lähestymistavat vaativat monimutkaisia transistoriryhmiä tai uusia materiaaleja, joiden valmistettavuus on epävarma, mutta menetelmämme käyttää kaupallista CMOS-tekniikkaa", professori Lanza selitti. "Tämä tarkoittaa, että se on skaalautuva, luotettava ja yhteensopiva olemassa olevien puolijohteiden valmistusprosessien kanssa."

Kokeiden avulla NS-RAM-kenno osoitti alhaisen virrankulutuksen, säilytti vakaan suorituskyvyn useiden käyttöjaksojen ajan ja osoitti johdonmukaista, ennustettavaa käyttäytymistä eri laitteissa – kaikki nämä ovat toivottuja ominaisuuksia luotettavan ANN-laitteiston rakentamiseen, joka sopii tosielämän sovelluksiin. Tiimin läpimurto merkitsee askelta muutosta pienikokoisten, energiatehokkaiden tekoälyprosessorien kehityksessä, jotka voisivat mahdollistaa nopeamman ja reagoivamman laskennan.

Aiheesta aiemmin:

Aistitietoa luonnon tavalla - nopeasti, tehokkaasti ja vähällä energialla

Aivojen kaltainen tietokone vedellä ja suolalla

Kvanttimemristori ja neurolaskennan laajennus