Comparé aux ordinateurs, le cerveau humain est incroyablement économe en énergie.Les scientifiques s'appuient donc sur la façon dont le cerveau et ses neurones interconnectés fonctionnent pour l'inspiration dans la conception des technologies informatiques innovantes. They foresee that these brain-inspired computing systems, will be more energy efficient than conventional ones, as well as better at performing machine-learning tasks.
Tout comme les neurones, qui sont responsables du stockage des données et du traitement des données dans le cerveau, les scientifiques souhaitent combiner le stockage et le traitement dans un seul type de composant électronique, connu sous le nom de Memristor.Leur espoir est que cela aidera à atteindre une plus grande efficacité, car le déplacement des données entre le processeur et le stockage, comme le font les ordinateurs conventionnels, est la principale raison de la consommation élevée d'énergie dans les applications d'apprentissage automatique.
Des chercheurs de Eth Zurich, de l'Université de Zurich et de l'EMPA ont maintenant développé un concept innovant pour un memristor qui peut être utilisé dans un éventail d'applications beaucoup plus large que les memristors existants."Il existe différents modes d'opération pour MemRristors, et il est avantageux de pouvoir utiliser tous ces modes en fonction de l'architecture d'un réseau de neurones artificielles", explique Eth Postdoc Rohit John."Mais les memristors conventionnels précédents devaient être configurés pour l'un de ces modes à l'avance." The new memristors from the researchers in Zurich can now easily switch between two operation modes while in use: a mode in which the signal grows weaker over time and dies (volatile mode), and one in which the signal remains constant (non-volatile mode).
Comme dans le cerveau
"Ces deux modes d'opération se trouvent également dans le cerveau humain", dit John.D'une part, les stimuli aux synapses sont transmis de neurone à neurone avec des neurotransmetteurs biochimiques.Ces stimuli commencent fort puis s'affaiblissent progressivement.D'un autre côté, de nouvelles connexions synaptiques à d'autres neurones se forment dans le cerveau pendant que nous apprenons. These connections are longer-lasting.
advertisement
John, qui est postdoc dans le groupe dirigé par le professeur de l'ETH, Maksym Kovalenko, a reçu une bourse d'ETH pour les chercheurs postdoctoraux exceptionnels en 2020.John a mené cette recherche avec Yiğit Demirağ, un doctorant dans le groupe du professeur Giacomo Indiveri à l'Institut pour la neuroinformatique de l'Université de Zurich et eth Zurich.
Semi-conducteur connu à partir de cellules solaires
Les memristors que les chercheurs ont développés sont fabriqués en nanocristaux de pérovskite halogénure, un matériau semi-conducteur connu principalement de son utilisation dans les cellules photovoltaïques."La« conduction nerveuse »dans ces nouveaux memristors est médiée par un collage temporairement ou définitivement ensemble des ions argentés d'une électrode pour former un nanofilament pénétrant la structure de pérovskite à travers laquelle le courant peut couler», explique Kovalenko.
This process can be regulated to make the silver-ion filament either thin, so that it gradually breaks back down into individual silver ions (volatile mode), or thick and permanent (non-volatile mode). This is controlled by the intensity of the current conducted on the memristor: applying a weak current activates the volatile mode, while a strong current activates the non-volatile mode.
Nouvelle boîte à outils pour les neuroinformaticiens
"To our knowledge, this is the first memristor that can be reliably switched between volatile and non-volatile modes on demand," Demirağ says.Cela signifie qu'à l'avenir, les puces informatiques peuvent être fabriquées avec des memristors qui permettent les deux modes.Il s'agit d'une avance de signification car il n'est généralement pas possible de combiner plusieurs types différents de memristors sur une puce.
Dans le cadre de l'étude, qu'ils ont publié dans la revue Nature CommunicationsCall_Made, les chercheurs ont testé 25 de ces nouveaux memristors et effectué 20 000 mesures avec eux.De cette façon, ils ont pu simuler un problème de calcul sur un réseau complexe.Le problème concernait la classification d'un certain nombre de pointes de neurones différentes comme l'un des quatre modèles prédéfinis.
Avant que ces memristors puissent être utilisés en technologie informatique, ils devront subir une optimisation supplémentaire.Cependant, ces composants sont également importants pour la recherche en neuroinformatique, comme le souligne Indiveri: "Ces composants se rapprochent des vrais neurones que les neurones précédents.En conséquence, ils aident les chercheurs à mieux tester les hypothèses en neuroinformatique et, espérons-le, à mieux comprendre les principes informatiques des vrais circuits neuronaux chez l'homme et les animaux."
