Quando si tratta di potenza di elaborazione, il cervello umano non può essere battuto.

Confezionato all'interno dello squishy, organi delle dimensioni di un calcio sono da qualche parte circa 100 miliardi di neuroni. In un dato momento, un singolo neurone può trasmettere istruzioni a migliaia di altri neuroni tramite sinapsi:gli spazi tra i neuroni, attraverso i quali vengono scambiati i neurotrasmettitori. Ci sono più di 100 trilioni di sinapsi che mediano la segnalazione dei neuroni nel cervello, rafforzare alcune connessioni mentre ne pota altre, in un processo che consente al cervello di riconoscere i modelli, ricordare i fatti, e svolgere altri compiti di apprendimento, alla velocità della luce.

I ricercatori nel campo emergente del "calcolo neuromorfo" hanno tentato di progettare chip per computer che funzionino come il cervello umano. Invece di eseguire calcoli basati su binari, segnalazione on/off, come fanno oggi i chip digitali, gli elementi di un "cervello su un chip" funzionerebbero in modo analogico, scambiando un gradiente di segnali, o "pesi, " proprio come i neuroni che si attivano in vari modi a seconda del tipo e del numero di ioni che fluiscono attraverso una sinapsi.

In questo modo, piccoli chip neuromorfici potrebbero, come il cervello, elaborare in modo efficiente milioni di flussi di calcoli paralleli che sono attualmente possibili solo con grandi banche di supercomputer. Ma un ostacolo significativo sulla strada per questa intelligenza artificiale portatile è stata la sinapsi neurale, che è stato particolarmente difficile da riprodurre nell'hardware.

Ora gli ingegneri del MIT hanno progettato una sinapsi artificiale in modo tale da poter controllare con precisione la forza di una corrente elettrica che la attraversa, simile al modo in cui gli ioni scorrono tra i neuroni. Il team ha costruito un piccolo chip con sinapsi artificiali, realizzato in silicio germanio. Nelle simulazioni, i ricercatori hanno scoperto che il chip e le sue sinapsi potrebbero essere utilizzati per riconoscere campioni di scrittura a mano, con una precisione del 95%.

Il design, pubblicato oggi sulla rivista Materiali della natura , è un passo importante verso la costruzione di dispositivi portatili, chip neuromorfici a bassa potenza per l'uso nel riconoscimento di modelli e altre attività di apprendimento.

La ricerca è stata guidata da Jeehwan Kim, la classe del 1947 Career Development Assistant Professor nei dipartimenti di Ingegneria Meccanica e Scienza e Ingegneria dei Materiali, e ricercatore principale nel Laboratorio di ricerca dei laboratori di tecnologia elettronica e microsistemi del MIT. I suoi coautori sono Shinhyun Choi (primo autore), Scott Tan (co-primo autore), Zefan Li, Yunjo Kim, Chanyeol Choi, e Hanwool Yeon del MIT, insieme a Pai-Yu Chen e Shimeng Yu dell'Arizona State University.

Troppi percorsi

La maggior parte dei progetti di chip neuromorfici tenta di emulare la connessione sinaptica tra i neuroni utilizzando due strati conduttivi separati da un "mezzo di commutazione, " o spazio simile a una sinapsi. Quando viene applicata una tensione, gli ioni dovrebbero muoversi nel mezzo di commutazione per creare filamenti conduttivi, in modo simile a come cambia il "peso" di una sinapsi.

Ma è stato difficile controllare il flusso di ioni nei progetti esistenti. Kim dice che è perché la maggior parte dei mezzi di scambio, fatto di materiali amorfi, hanno percorsi possibili illimitati attraverso i quali gli ioni possono viaggiare, un po' come Pachinko, un gioco arcade meccanico che incanala piccole sfere d'acciaio verso il basso attraverso una serie di perni e leve, che agiscono sia per deviare che per dirigere le palline fuori dalla macchina.

Come Pachinko, i mezzi di commutazione esistenti contengono più percorsi che rendono difficile prevedere dove gli ioni passeranno. Kim dice che può creare disuniformità indesiderate nella performance di una sinapsi.

"Una volta che applichi un po' di tensione per rappresentare alcuni dati con il tuo neurone artificiale, devi cancellare ed essere in grado di riscriverlo nello stesso identico modo, " dice Kim. "Ma in un solido amorfo, quando scrivi di nuovo, gli ioni vanno in direzioni diverse perché ci sono molti difetti. Questo flusso sta cambiando, ed è difficile da controllare. Questo è il problema più grande:la non uniformità della sinapsi artificiale".

Una perfetta mancata corrispondenza

Invece di usare materiali amorfi come sinapsi artificiale, Kim e i suoi colleghi hanno guardato al silicio monocristallino, un materiale conduttore privo di difetti costituito da atomi disposti in un allineamento continuamente ordinato. Il team ha cercato di creare un preciso, difetto di linea unidimensionale, o dislocazione, attraverso il silicio, attraverso il quale gli ioni potrebbero prevedibilmente fluire.

Fare così, i ricercatori hanno iniziato con un wafer di silicio, somigliante, a risoluzione microscopica, un motivo a filo di pollo. Hanno poi coltivato un modello simile di germanio di silicio, un materiale usato comunemente anche nei transistor, sopra il wafer di silicio. Il reticolo del silicio germanio è leggermente più grande di quello del silicio, e Kim ha scoperto che insieme, i due materiali perfettamente non corrispondenti possono formare una dislocazione a imbuto, creando un unico percorso attraverso il quale gli ioni possono fluire.

I ricercatori hanno fabbricato un chip neuromorfo costituito da sinapsi artificiali fatte di silicio germanio, ogni sinapsi misura circa 25 nanometri di diametro. Hanno applicato la tensione a ciascuna sinapsi e hanno scoperto che tutte le sinapsi mostravano più o meno la stessa corrente, o flusso di ioni, con una variazione di circa il 4% tra le sinapsi, una prestazione molto più uniforme rispetto alle sinapsi fatte di materiale amorfo.

Hanno anche testato una singola sinapsi su più prove, applicando la stessa tensione su 700 cicli, e ho scoperto che la sinapsi mostrava la stessa corrente, con solo l'1% di variazione da ciclo a ciclo.

"Questo è il dispositivo più uniforme che potessimo ottenere, che è la chiave per dimostrare le reti neurali artificiali, " dice Kim.

Scrivere, riconosciuto

Come prova finale, Il team di Kim ha esplorato le prestazioni del suo dispositivo se dovesse svolgere compiti di apprendimento effettivi, in particolare, riconoscere campioni di grafia, che i ricercatori considerano un primo test pratico per i chip neuromorfici. Tali chip sarebbero costituiti da "neuroni di input/nascosto/output, " ciascuno connesso ad altri "neuroni" tramite sinapsi artificiali a base di filamenti.

Gli scienziati ritengono che tali pile di reti neurali possano essere fatte per "imparare". Ad esempio, quando viene alimentato un input che è scritto a mano '1, ' con un output che lo etichetta come '1, ' alcuni neuroni di output saranno attivati ​​da neuroni di input e pesi da una sinapsi artificiale. Quando più esempi di "1" scritti a mano vengono inseriti nello stesso chip, gli stessi neuroni di output possono essere attivati ​​quando rilevano caratteristiche simili tra diversi campioni della stessa lettera, quindi "apprendere" in un modo simile a quello che fa il cervello.

Kim e i suoi colleghi hanno eseguito una simulazione al computer di una rete neurale artificiale composta da tre strati di strati neurali collegati tramite due strati di sinapsi artificiali, le cui proprietà si basavano su misurazioni dal loro vero chip neuromorfo. Hanno inserito nella loro simulazione decine di migliaia di campioni da un set di dati di riconoscimento scritto a mano comunemente usato dai progettisti neuromorfici, e hanno scoperto che il loro hardware di rete neurale riconosceva campioni scritti a mano il 95% delle volte, rispetto alla precisione del 97 percento degli algoritmi software esistenti.

Il team sta fabbricando un chip neuromorfo funzionante in grado di svolgere compiti di riconoscimento della scrittura a mano, non nella simulazione ma nella realtà. Guardando oltre la scrittura a mano, Kim afferma che il design della sinapsi artificiale del team consentirà di ottenere risultati molto più piccoli, dispositivi di rete neurale portatili in grado di eseguire calcoli complessi che attualmente sono possibili solo con grandi supercomputer.

"In definitiva vogliamo un chip grande quanto un'unghia per sostituire un grande supercomputer, " Kim dice. "Questo apre un trampolino di lancio per produrre hardware artificiale reale".