Collegamento schematico di due neuroni biologici tramite una sinapsi. Per motivi di chiarezza, viene mostrata solo una delle circa 10.000 sinapsi che ha ciascun neurone. Le sinapsi biologiche devono essere emulate da dispositivi memristivi redox-attivi, come illustrato a destra. Attraverso una cosiddetta fase di formatura, si forma un filamento in una cella di ossido di metallo di transizione (in questo caso zirconia) di dimensioni di pochi nanometri. Tramite una tensione applicata, le vacanze di ossigeno possono essere aspirate nello spazio tra la punta del filamento e l'elettrodo a sinistra e ridurre la resistenza (processo SET). Un'inversione di polarità della tensione inverte il processo (processo RESET). Credito:Forschungszentrum Jülich
Alcuni compiti, come il riconoscimento di schemi e linguaggio, vengono eseguiti in modo molto efficiente da un cervello umano, richiedendo solo circa un decimillesimo dell'energia di un computer convenzionale, cosiddetto "von Neumann". Uno dei motivi risiede nelle differenze strutturali:in un'architettura von Neumann, c'è una netta separazione tra memoria e processore, che richiede lo spostamento costante di grandi quantità di dati. Questo richiede tempo ed energia, il cosiddetto collo di bottiglia di von Neumann. Nel cervello, l'operazione computazionale avviene direttamente nella memoria dei dati e le sinapsi biologiche svolgono contemporaneamente i compiti di memoria e di processore.
In Forschungszentrum Jülich, gli scienziati hanno lavorato per più di 15 anni su speciali dispositivi di archiviazione dati e componenti che possono avere proprietà simili alle sinapsi nel cervello umano. I cosiddetti dispositivi di memoria memristive, noti anche come memristori, sono considerati estremamente veloci e a risparmio energetico e possono essere miniaturizzati molto bene fino alla gamma dei nanometri. Il funzionamento delle celle memristive si basa su un effetto molto particolare:la loro resistenza elettrica non è costante, ma può essere modificata e ripristinata applicando una tensione esterna, teoricamente continua. Il cambiamento di resistenza è controllato dal movimento degli ioni ossigeno. Se questi escono dallo strato di ossido di metallo semiconduttore, il materiale diventa più conduttivo e la resistenza elettrica diminuisce. Questo cambiamento di resistenza può essere utilizzato per memorizzare informazioni.
I processi che possono verificarsi nelle cellule sono complessi e variano a seconda del sistema materiale. Tre ricercatori dell'Istituto Jülich Peter Grünberg, il prof. Regina Dittmann, il Dr. Stephan Menzel e il Prof. Rainer Waser, hanno quindi raccolto i risultati della loro ricerca in un articolo di revisione dettagliato, "Fenomeni memristivi nanoionici negli ossidi di metallo:il meccanismo di cambiamento di valenza". Spiegano in dettaglio i vari effetti fisici e chimici nei memristori e fanno luce sull'influenza di questi effetti sulle proprietà di commutazione delle cellule memristive e sulla loro affidabilità.
"Se si osservano le attuali attività di ricerca nel campo dei circuiti neuromorfici dei memristor, spesso si basano su approcci empirici all'ottimizzazione dei materiali", ha affermato Rainer Waser, direttore del Peter Grünberg Institute. "Il nostro obiettivo con il nostro articolo di revisione è fornire ai ricercatori qualcosa con cui lavorare per consentire l'ottimizzazione dei materiali basata sull'intuizione". Il team di autori ha lavorato all'articolo di circa 200 pagine per dieci anni e, naturalmente, ha dovuto continuare a incorporare i progressi nella conoscenza.
"L'analogo funzionamento delle cellule memristive necessarie per il loro uso come sinapsi artificiali non è il caso normale. Di solito si verificano salti di resistenza improvvisi, generati dalla reciproca amplificazione del movimento ionico e del calore joule", spiega Regina Dittmann del Peter Grünberg Institute . "Nel nostro articolo di revisione, forniamo ai ricercatori la comprensione necessaria su come modificare la dinamica delle cellule per abilitare una modalità operativa analogica."
"Vedi più e più volte che i gruppi simulano i loro circuiti di memristore con modelli che non tengono affatto conto dell'elevata dinamica delle celle. Questi circuiti non funzioneranno mai", ha affermato Stephan Menzel, che guida le attività di modellazione presso il Peter Grünberg Institute e ha sviluppato potenti modelli compatti che ora sono di dominio pubblico. "Nel nostro articolo di recensione, forniamo le basi estremamente utili per un corretto utilizzo dei nostri modelli compatti."
Tabella di marcia dell'informatica neuromorfica
La "Roadmap of Neuromorphic Computing and Engineering", pubblicata a maggio 2022, mostra come l'informatica neuromorfica può aiutare a ridurre l'enorme consumo energetico dell'IT a livello globale. In esso, i ricercatori dell'Istituto Peter Grünberg (PGI-7), insieme ai massimi esperti del settore, hanno raccolto le varie possibilità tecnologiche, approcci computazionali, algoritmi di apprendimento e campi di applicazione.
Secondo lo studio, è probabile che le applicazioni nel campo dell'intelligenza artificiale, come il riconoscimento di schemi o il riconoscimento vocale, traggano vantaggio dall'uso dell'hardware neuromorfico. Questo perché si basano, molto più delle classiche operazioni di calcolo numerico, sullo spostamento di grandi quantità di dati. Le celle memristive consentono di elaborare questi giganteschi set di dati direttamente in memoria senza trasportarli avanti e indietro tra processore e memoria. Ciò potrebbe ridurre l'efficienza energetica delle reti neurali artificiali di ordini di grandezza.
Le cellule memristive possono anche essere interconnesse per formare matrici ad alta densità che consentono alle reti neurali di apprendere localmente. Questo cosiddetto edge computing sposta quindi i calcoli dal data center alla fabbrica, al veicolo o alla casa delle persone bisognose di cure. Pertanto, il monitoraggio e il controllo dei processi o l'avvio di misure di salvataggio possono essere eseguiti senza inviare dati tramite un cloud.
"In questo modo si ottengono due risultati contemporaneamente:si risparmia energia e, allo stesso tempo, i dati personali e i dati rilevanti per la sicurezza rimangono in loco", afferma il Prof. Dittmann, che ha svolto un ruolo chiave nella creazione della roadmap come editore.
Gli studi associati sono stati pubblicati in Advances in Physics e Informatica e ingegneria neuromorfica . + Esplora ulteriormente
