Электронные наносинапсы могут создавать искусственный мозг

Исследователи из Франции создали искусственный синапс, основанный на сегнетоэлектрических туннельных переходах, который может самостоятельно научиться распознавать образы. Им также удалось моделировать пластичность синапса, наблюдая за тем, как изменяется его сопротивление с изменением приложенного напряжения. Устройство, также известное как мемристор, может быть использовано для создания нейронных сетей ИИ, которые имитируют работу человеческого мозга.

Компьютеры, которые функционируют скорее как человеческий мозг, а не как обычные цифровые системы, будут опираться на нейронные сети, а не на ряды двоичных 1 и 0. Они смогут более легко обрабатывать обширные массивы данных, которые в настоящее время генерируются во всем мире. Чтобы создать новое поколение машин, исследователям необходимо разработать простые, энергоэффективные электронные устройства, которые имитируют строительные блоки мозга – нейроны и синапсы.

Новое устройство, разработанное Винсентом Гарсией (Vincent Garcia) и его коллегами из CNRS-Thales и университетов Бордо, Париж-юг и Эври, создается из мемристора (резистор, который «запоминает», какой ток протекал через него). В отличие от других типов современной электронной памяти, подобной той, которая сделана на базе КМОП, мемристоры могут помнить свое состояние (то есть информацию, хранящуюся в них), даже если выключено питание. Они также потребляют гораздо меньше энергии.

Синапсы являются биологическими связями между нейронами, и они преобразуют импульс напряжения (потенциал действия), поступающий из пресинаптического нейрона, в разряд химических нейротрансмиттеров, которые затем обнаруживаются постсинаптическим нейроном. Затем они превращаются в новые импульсы, что приводит к последовательности импульсов, которые становятся либо больше, либо меньше.

Это фундаментальное свойство синаптического поведения известно как краткосрочная пластичность, связанная со способностью нейронной сети учиться. Именно эту пластичность Гарсия и его коллеги успешно смоделировали. Они смогли это сделать благодаря внутренней электронной природе их мемристорных синапсов на основе сегнетоэлектрических туннельных переходов, в которых сопротивление связано с сегнетоэлектричеством.

«В сегнетоэлектрических туннельных переходах переключение сегнетоэлектрической поляризации электрическим полем приводит к большим изменениям сопротивления туннеля, - объясняет Гарсия. - Это называется туннельным электросопротивлением. В выключенном состоянии поляризация, таким образом, направлена вниз, а во включенном – вверх. Более того, поляризация обычно происходит за счет зарождения и распространения доменов, поэтому применяя умеренные и короткие импульсы напряжения, мы можем стабилизировать различные конфигурации, в которых сосуществуют домены с поляризацией вверх и вниз. Это означает, что у нас есть не только двоичная энергонезависимая память, но и мемристор».

Исследователи изучили динамику поляризации этих туннельных переходов с помощью сканирующей зондовой микроскопии, используемой для получения изображения доменов и туннельного транспорта. «С помощью расчетов молекулярной динамики первого порядка мы также смогли разработать простую модель для объяснения переключения поляризации, - сказал Гарсиа. - Затем мы применили формы напряжения, которые похожи на нейронные импульсы, и наблюдали, как изменяется сопротивление туннельного перехода в зависимости от разницы во времени между этими формами напряжения. Это «правило обучения», называемое пластичностью, зависящей от формы спайка и времени (STDP), является сильным и должно допускать неконтролируемое обучение в искусственных нейронных сетях».

И это еще не все. Исследователи говорят, что они также смогли воспроизвести STDP сегнетоэлектрических мемристоров с помощью своей модели, основанной на динамике сегнетоэлектрического домена, и показать, что массивы, содержащие сотни тысяч сегнетоэлектрических наносинапсов, могут самостоятельно учиться предсказуемо распознавать образы.

Команда теперь занята построением матричного массива из сегнетоэлектрических мемристоров, подключенных к нейронам на основе КМОП, чтобы показать, что ее системы действительно могут обучаться без контроля и распознавать образы.

Электронный наносинапс