IBM's Faseveranderende Kunstmatige Neuronen Napen Hersenspikes voor Ultra-Dichte, Laag-Vermogen Computing

Manuel Le Gallo's onderzoek zal een nieuwe generatie extreem dichte neuromorfische computing systemen inspireren. (Bron: IBM Research - Zürich)

Geïnspireerd door de menselijke hersenen's spike-gebaseerde communicatie, heeft IBM Research in Zürich kunstmatige neuronen geëngineerd die het "integrate-and-fire" gedrag napen dat we zien wanneer we een hete plaat aanraken. Deze apparaten kunnen patronen detecteren en correlaties onthullen in grote datasets terwijl ze vermogen en ruimte consumeren vergelijkbaar met biologische weefsels - een prestatie die wetenschappers decennialang ontging.

De doorbraak is gedetailleerd in het paper "Stochastic phase-change neurons," wat de cover van Nature Nanotechnology vandaag graceert. Het werk demonstreert hoe faseveranderingsgeheugenelementen geconfigureerd kunnen worden om te fungeren als ultra-dichte, lage-energie neuronen capabel van unsupervised learning op hoge snelheid.

Ik sprak met co-auteur en IBM Research - Zürich wetenschapper Manuel Le Gallo, die zijn PhD aan ETH Zürich afrondt.

Hoe functioneert een kunstmatige neuron?

Manuel Le Gallo: Een kunstmatige neuron implementeert een "integrate-and-fire" circuit. Het accumuleert binnenkomende signalen; wanneer de opgetelde potentieel een drempel bereikt, emiteert het een spike. Deze simpele accumulatie kan verrassend complexe berekeningen realiseren.

Wat inspireerde het ontwerp?

ML: Het doel is de computationele kracht van een biologische neuron te spiegelen. Terwijl traditionele kunstmatige neuronen op CMOS transistors vertrouwen, gebruikt onze benadering faseveranderingsapparaten om dezelfde functionaliteit te bereiken met dramatisch lager vermogen en hogere dichtheid.

Wat was uw rol?

ML: Mijn onderzoek naar faseveranderingsfysica de afgelopen drie jaar informeerde het ontwerp van deze neuronen en stelde ons in staat de experimentele data gepresenteerd in het paper te interpreteren.

"Wij denken dat onze benadering efficiënter zal zijn, met name voor het verwerken van grote hoeveelheden data."

—Manuel Le Gallo, IBM Research wetenschapper

Waar kunnen kunstmatige neuronen toegepast worden?

De kleine vierkanten zijn contact pads die gebruikt worden om toegang te krijgen tot de nanometer-schaal faseverandering cellen (niet zichtbaar). Scherpe probes raken de pads om de faseconfiguratie te veranderen in respons op neuronale input. Elke probe set accesseert een populatie van 100 cellen.

ML: Onze experimenten tonen aan dat een enkele neuron met meerdere plastische synapsen temporele correlaties over veel binaire event streams kan detecteren - zoals sociale media, weer of IoT sensordata - door te vuren wanneer de events aligneren.

Waarom is neuromorfisch computing efficiënter?

ML: Conventionele architecturen scheiden geheugen en logica, wat kostbare data shuttling forceert. In neuromorfische systemen coexisteren berekening en opslag, wat geheugen-naar-logica transfers elimineert en energieverbruik dramatisch reduceert, met name voor massive datasets.

Manuel Le Gallo behaalde zijn Master in Electrical Engineering aan ETH Zürich en voltooide zijn thesis bij IBM. Hij nastreeft nu een PhD.

Over de auteur: Millian Gehrer is een zomerstagiair bij IBM Research - Zürich, interviewend wetenschappers om over hun werk te leren. In de herfst zal hij beginnen met Computer Science aan Princeton University.