Priljubljene Objave

Izbira Urednika - 2019

Elektronske sinapse, ki se lahko naučijo: k umetnemu možganju?

Anonim

Raziskovalci iz CNRS, Thales in univerze v Bordeauxu, Parizu-Sudu in Evryju so ustvarili umetni sinapse, ki je sposoben samostojnega učenja. Prav tako so lahko modelirali napravo, ki je bistvenega pomena za razvoj bolj kompleksnih tokokrogov. Raziskava je bila objavljena 3. aprila 2017 v Nature Communications .

oglas


Eden od ciljev biomimetike je navdihovati delovanje možganov, da bi oblikovali vedno bolj inteligentne stroje. To načelo že deluje v informacijski tehnologiji v obliki algoritmov, ki se uporabljajo za izpolnjevanje določenih nalog, kot je prepoznavanje slike; to je na primer, kaj Facebook uporablja za prepoznavanje fotografij. Vendar postopek porabi veliko energije. Vincent Garcia (Unité mixte de physique CNRS / Thales) in njegovi kolegi so pravkar naredili korak naprej na tem področju, tako da neposredno na čipu ustvarijo umetni sinapse, ki je sposoben učenja. Razvili so tudi fizični model, ki pojasnjuje to učno zmogljivost. To odkritje odpira pot do ustvarjanja mreže sinaps in s tem inteligentnih sistemov, ki zahtevajo manj časa in energije.

Učenje naših možganov je povezano z našimi sinapsami, ki služijo kot povezave med našimi nevroni. Bolj ko se spodbuja sinapse, bolj se poveča povezava in izboljša učenje. Raziskovalci so navdušili nad tem mehanizmom za oblikovanje umetnega sinapsa, ki se imenuje memristor. Ta elektronski nanokomponent sestoji iz tankega sloja ferroelektrične plasti, ki je stisnjena med dvema elektrodama in katere odpornost se lahko nastavi z uporabo napetostnih pulzov, podobnih tistim v nevronih. Če je upor nizek, bo sinaptična povezava močna in če je upor visok, bo povezava šibka. Ta zmožnost prilagajanja odpornosti omogoča učenje sinapse.

Čeprav so raziskave, ki se osredotočajo na te umetne sinapse, osrednjega pomena pri številnih laboratorijih, je delovanje teh naprav ostalo v glavnem neznano. Raziskovalcem je bilo prvič uspelo razviti fizični model, ki bi lahko napovedoval, kako delujejo. To razumevanje procesa bo omogočilo oblikovanje bolj zapletenih sistemov, kot je serija umetnih nevronov, ki so med seboj povezani s temi memristorji.

V okviru evropskega projekta ULPEC H2020 bo to odkritje uporabljeno za prepoznavanje oblike v realnem času z uporabo inovativne kamere: piksli ostanejo neaktivni, razen če vidijo spremembo vidnega polja. Postopek obdelave podatkov bo zahteval manj energije in za odkrivanje izbranih predmetov bo potreben manj časa. Raziskave so vključevale ekipe iz skupne raziskovalne enote CNRS / Thales, Laboratoire de l'intégration du matériau au système (CNRS / Université de Bordeaux / Bordeaux INP), Univerze v Arkansasu (ZDA), Center za nanoznanosti in nanotehnologije ( CNRS / Université Paris-Sud), Université d'Evry in Thales.

oglas



Story Source:

Materiali, ki jih ponuja CNRS . Opomba: Vsebino lahko uredite za slog in dolžino.


Referenčni opis revije :

  1. Sören Boyn, Julie Grollier, Gwendal Lecerf, Bin Xu, Nicolas Locatelli, Stéphane Fusil, Stéphanie Girod, Cécile Carrétéro, Karin Garcia, Stéphane Xavier, Jean Tomas, Laurent Bellaiche, Manuel Bibes, Agnès Barthélémy, Sylvain Saïghi, Vincent Garcia. Učenje s dinamiko ferroelektričnih domen v sintezah trdne snovi . Narava Communications, 2017; 8: 14736 DOI: 10.1038 / NCOMMS14736