Aivoista inspiroituneita komponentteja

Tekoäly vaatii usein valtavia määriä energiaa, varsinkin kun koulutetaan suuria malleja. Kun perinteiset tietokoneet pitävät yleensä laskenta- ja muistitoiminnot fyysisesti erillään ihmisaivot yhdistävät nämä kaksi paljon tiiviimmin: neuronit eli hermosolut ovat yhteydessä toisiinsa synapsien kautta ja käsittelevät signaaleja suoraan näissä yhteyspisteissä. Kun signaaleja esiintyy usein tai tietyllä intensiteetillä, nämä yhteydet muuttuvat.

Tämä on oppimisen keskeinen mekanismi: järjestelmä tallentaa aiempaa toimintaa ja mukauttaa käyttäytymistään. Koska aivojen yhteydet muuttuvat vasteena, tätä prosessia kutsutaan neuroplastisuudeksi.

”Aivoista inspiroitunut laskenta” pyrkii jäljittelemään tätä kokemuksesta oppimisen periaatetta. Tavoitteena on tietokonelaitteisto, joka ei ainoastaan käsittele iformaatiota, vaan myös muistaa tiloja ja sopeutuu vastaavasti.

Würzburgin ja Dresdenin yliopistojen huippuosaamisryhmästä ctd.qmat – Complexity, Topology, and Dynamics in Quantum Matter – on nyt osoittanut, että kompleksiset oksidimateriaalit soveltuvat erityisen hyvin tähän tarkoitukseen.

Viimeisimmässä julkaisussaan tiimi esittelee komponentteja, jotka voivat toistaa elektronisesti biologisten hermojärjestelmien keskeisiä ominaisuuksia.

Uudet komponentit perustuvat kahden oksidimateriaalin, lantaanialuminaatin (LaAlO₃ eli lyhyesti LAO) ja strontiumtitanaatin (SrTiO₃ eli lyhyesti STO), väliseen rajapintaan. Vaikka molemmat materiaalit ovat itsessään sähköä eristäviä, niiden yhteiseen rajapintaan muodostuu erittäin ohut johtava alue – joka tunnetaan lähes kaksiulotteisena elektronikaasuna.

Kohdennettu mikrorakenteiden luominen mahdollistaa pienten "elektronivaltateiden" luomisen, joissa varauksenkuljettajien kulkua voidaan ohjata tarkasti.

Würzburgin tiimi hyödynsi oksidialustan monipuolisuutta kehittääkseen komponentteja, jotka voivat toistaa neurosolujen ja synapsien keskeisiä toimintoja. Näitä ovat transistori virran kytkemiseen, memristori resistanssipohjaisena muistielementtinä ja memkondensaattori, jonka kapasitanssi riippuu sen sähköisestä historiasta. Erityisen huomionarvoista on, että yksi nanoskaalan komponentti voi suorittaa erilaisia tehtäviä riippuen siitä, miten se on kytketty. Se voi toimia transistorina, memristorina tai memkondensaattorina – mikä tekee siitä eräänlaisen elektronisen monitoimipiirin.

Yksi mahdollinen alue, jolla aivojen inspiroiman laskenta-alustan "itseoppimisen" ominaisuuksia voitaisiin hyödyntää, on terveyden seuranta ja lääketieteellinen diagnostiikka.

Pitkällä aikavälillä tällaisia teknologioita voitaisiin käyttää puettavissa anturijärjestelmissä tai bioelektroniikan sovelluksissa. Ne voisivat jatkuvasti seurata keskeisiä parametreja, kuten sykettä, verenpainetta, kehon lämpötilaa, happisaturaatiota tai verensokeria, ja analysoida niitä älykkäästi paikan päällä – nopeasti, energiatehokkaasti ja ilman lisälaskentayksiköitä.

Aiheesta aiemmin:

Neuromorfiseen laskentaan sopiva piitransistori

Seuraava askel neuromorfista laskentaa