Pinoa neuroverkkojärjestelmiä rakennelohkoista

Neuromorfinen tietojenkäsittely, joka on saanut inspiraationsa ihmisaivoista, on yksi ajankohtaisista tietotekniikan aiheista.

Tämän seurauksena biologisia hermosoluja ja synapseja jäljitteleviä laitteita kehitetään yksi toisensa jälkeen uusien materiaalien ja rakenteiden pohjalta, mutta tutkimusta yksittäisten laitteiden integroimisesta järjestelmäksi ei ole vielä tehty.

Jotta suuren mittakaavan keinotekoiset neuroverkkolaitteistot tulisivat käytännöllisiksi tulevaisuudessa, on välttämätöntä integroida keinotekoiset neuroni- ja synaptiset laitteet sekä vähentää massatuotantokustannuksia ja energiankäyttöä valmistamalla niitä samoista materiaaleista ja rakenteista.

Tohtori Joon Young Kwakin johtama Korean tiede- ja teknologiainstituutin (KIST) Neuromorfisen tekniikan keskuksen työryhmä kertoo ottaneensa käyttöön integroidun elementtiteknologian keinotekoisille neuromorfisille laitteille, jotka voivat yhdistää neurosoluja ja synapseja, kuten "Lego-lohkoja". rakentaakseen niistä laajamittaista keinotekoista neuroverkkolaitteistoa.

Tiimi valmisti pystysuunnassa pinottuja memristorilaitteita käyttämällä hBN:ää, kaksiulotteista materiaalia, joka on edullinen korkean integroinnin ja erittäin alhaisen tehon toteutuksessa biologisten neuronien ja synapsien ominaisuuksien osoittamiseksi.

Koska tiimi suunnitteli keinotekoisia neuro- ja synaptisia laitteita, joissa on sama materiaali ja sama rakenne. Toisin kuin perinteiset pii-CMOS-pohjaiset keinotekoiset neurojäljitelmälaitteet, joissa on monimutkaisia rakenteita ja joissa käytetään useita rakenteita, ryhmän kehittämät rakenteet ovat varmistaneet prosessin helppouden ja verkon skaalautuvuuden tasoittaen tietä laajamittaisen keinotekoisen neuroverkkolaitteiston kehittämiselle.

Integroimalla ja yhdistämällä kehitetyt laitteet tiimi otti myös onnistuneesti käyttöön keinotekoisen neuroverkon perusyksikkölohkon neuroni-synapsi-neuroni -rakenteen demonstroidakseen aivomaista piikkisignaalipohjaista tiedonsiirtoa.

"Keinotekoisia neuroverkkolaitteistojärjestelmiä voidaan käyttää valtavien datamäärien tehokkaaseen käsittelyyn tosielämän sovelluksissa, kuten älykkäissä kaupungeissa, terveydenhuollossa, seuraavan sukupolven viestinnässä, sääennusteissa ja autonomisissa ajoneuvoissa", Kwak selventää tutkimussaavutuksen merkitystä. "Se auttaa parantamaan ympäristöongelmia, kuten hiilidioksidipäästöjä, vähentämällä merkittävästi energiankulutusta ja ylittämällä nykyisten piin CMOS-pohjaisten laitteiden skaalausrajat."

Aiheesta aiemmin:

Todennäköisyyspohjaisia tietokoneita ja tekoälyä

Nanolankaverkko oppii ja muistaa

Tekoälyn voimaa