(Andrii Vodolazhskyi/Shutterstock) Für diejenigen, die im fortgeschrittenen Bereich arbeiten künstliche Intelligenz Einen Computer dazu zu bringen, die Gehirnaktivität zu simulieren, ist eine gigantische Aufgabe, aber es könnte einfacher sein, sie zu bewältigen, wenn die Hardware von Anfang an eher wie Gehirn-Hardware konzipiert ist.
Dieses aufstrebende Feld heißt Neuromorphes Rechnen . Und nun haben Ingenieure am MIT möglicherweise eine erhebliche Hürde überwunden – den Entwurf eines Chips mit künstlichen Synapsen.
Derzeit ist das menschliche Gehirn viel leistungsfähiger als jeder Computer – es enthält rund 80 Milliarden Neuronen und über 100 Billionen Synapsen, die sie verbinden und den Signalfluss steuern.
Derzeit funktionieren Computerchips durch die Übertragung von Signalen in einer Sprache namens Binär. Jede Information ist in Einsen und Nullen bzw. Ein-/Aus-Signalen kodiert.
Um eine Vorstellung davon zu bekommen, wie dies im Vergleich zu einem Gehirn aussieht, bedenken Sie Folgendes: Im Jahr 2013 lief einer der leistungsstärksten Supercomputer der Welt Simulation der Gehirnaktivität , wobei nur ein winziges Ergebnis erzielt wurde.
Rikens K-Computer nutzte 82.944 Prozessoren und ein Petabyte Hauptspeicher – das Äquivalent von rund 250.000 Desktop-Computern zu dieser Zeit.
Es dauerte 40 Minuten, eine Sekunde lang die Aktivität von 1,73 Milliarden Neuronen zu simulieren, die durch 10,4 Billionen Synapsen verbunden sind. Das hört sich vielleicht viel an, entspricht aber in Wirklichkeit nur einem Prozent des menschlichen Gehirns.
Wenn ein Chip jedoch synapsenähnliche Verbindungen verwenden würde, könnten die von einem Computer verwendeten Signale viel vielfältiger sein und synapsenähnliches Lernen ermöglichen. Synapsen vermitteln die durch das Gehirn übertragenen Signale, und Neuronen werden abhängig von der Anzahl und Art der über die Synapse fließenden Ionen aktiviert. Dies hilft dem Gehirn, Muster zu erkennen, sich Fakten zu merken und Aufgaben auszuführen.
Bisher erwies es sich als schwierig, dies zu reproduzieren – doch Forscher am MIT haben nun einen Chip mit künstlichen Synapsen aus Silizium-Germanium entwickelt, der eine präzise Steuerung der Stärke des entlang ihnen fließenden elektrischen Stroms ermöglicht, genau wie den Ionenfluss zwischen Neuronen.
In einer Simulation wurden Handschriftproben mit einer Genauigkeit von 95 Prozent erkannt.
Frühere Designs für neuromorphe Chips verwendeten zwei leitende Schichten, die durch eine amorphe Schicht getrennt waren „Schaltmedium“, um wie die Synapsen zu wirken . Beim Einschalten fließen Ionen durch das Medium und erzeugen leitfähige Filamente, die das synaptische Gewicht oder die Stärke oder Schwäche eines Signals zwischen zwei Neuronen nachahmen.
Das Problem bei diesem Ansatz besteht darin, dass die Signale ohne definierte Strukturen, entlang derer sie wandern können, über eine unendliche Anzahl von Pfaden verfügen – und dies kann dazu führen, dass die Leistung der Chips inkonsistent und unvorhersehbar wird.
„Sobald Sie mit Ihrem künstlichen Neuron eine Spannung anlegen, um einige Daten darzustellen, müssen Sie diese auf genau die gleiche Weise löschen und erneut schreiben können.“ sagte der leitende Forscher Jeehwan Kim .
„Aber in einem amorphen Feststoff bewegen sich die Ionen beim erneuten Schreiben in verschiedene Richtungen, weil es viele Defekte gibt.“ Dieser Strom verändert sich und ist schwer zu kontrollieren. „Das ist das größte Problem – die Ungleichmäßigkeit der künstlichen Synapse.“
Vor diesem Hintergrund schuf das Team Gitter aus Siliziumgermanium mit eindimensionalen Kanälen, durch die Ionen fließen können. Dadurch wird sichergestellt, dass immer der exakt gleiche Pfad verwendet wird.
Diese Gitter wurden dann verwendet, um einen neuromorphen Chip zu bauen; Beim Anlegen einer Spannung zeigten alle Synapsen auf dem Chip den gleichen Strom, mit einer Abweichung von nur 4 Prozent.
Außerdem wurde eine einzelne Synapse mit 700-mal angelegter Spannung getestet. Sein Strom schwankte nur um 1 Prozent – das gleichmäßigste Gerät überhaupt.
Das Team testete den Chip an einer tatsächlichen Aufgabe, indem es seine Eigenschaften simulierte und diese mit dem verwendete MNIST-Datenbank von Handschriftproben, die normalerweise zum Trainieren von Bildverarbeitungssoftware verwendet werden.
Ihr simuliertes künstliches neuronales Netzwerk, das aus drei neuronalen Schichten besteht, die durch zwei Schichten künstlicher Synapsen getrennt sind, war in der Lage, Zehntausende handgeschriebener Ziffern mit einer Genauigkeit von 95 Prozent zu erkennen, verglichen mit einer Genauigkeit von 97 Prozent bei vorhandener Software.
Der nächste Schritt besteht darin, tatsächlich einen Chip zu bauen, der die Aufgabe der Handschrifterkennung ausführen kann, mit dem Endziel, tragbare neuronale Netzwerkgeräte zu entwickeln.
„Letztendlich wollen wir, dass ein Chip so groß wie ein Fingernagel einen großen Supercomputer ersetzt.“ sagte Kim . „Diese [Forschung] eröffnet ein Sprungbrett zur Herstellung echter künstlicher [Intelligenz-]Hardware.“
Die Forschung wurde in der Zeitschrift veröffentlicht Naturmaterialien .