Le cerveau humain ne peut pas être la plus complète de sa capacité à traiter est substitué. Le cerveau humain est entouré d'organe sphérique doux, cet organe contient environ cent milliards de neurones. À un moment donné, un seul neurone par des synapses (à savoir, l'espace entre les neurones, neurotransmetteurs synaptiques de manière interchangeable) commande est transmise à des milliers d'autres neurones.
Le cerveau humain a des neurones du signal total de plus de 100 billions de synapses dans le cerveau médiation dans le renforcement de certains signaux, mais aussi porter atteinte à certains des autres signaux, le cerveau est capable d'identifier au mode vitesse de l'éclair (modèle), garder à l'esprit le fait que apprendre et effectuer d'autres tâches.
Récemment, le Massachusetts Institute of Technology ingénieurs (MIT) a conçu un synapse artificielle , Peut réaliser un contrôle précis du courant d'un tel écoulement à travers la force synaptique, à savoir le flux d'ions entre les neurones similaires.
Carte | De gauche à droite: MIT chercheur Scott H. Tan, Jeehwan Kim et Choi Shinhyun.
L'équipe a fait un fait de puce synapse artificielle de germanium de silicium de petite taille. Dans le processus de simulation, les chercheurs ont constaté que la puce peut reconnaître des échantillons d'écriture et synapses que le taux de précision de reconnaissance de 95%.
Une recherche publiée dans « Nature Materials », cette réalisation est également considéré comme Vers portable pour la reconnaissance des formes et d'autres tâches d'apprentissage étape importante dans les puces neuromorphiques faible puissance.
Tout le long, les chercheurs de l'informatique neuromorphiques espèrent la capacité du cerveau humain peut « copie » à la puce informatique. Un tel basé sur la puce du cerveau humain et est maintenant sur la base du binaire, marche / arrêt des signaux pour calculer la puce numérique est très différente, les éléments de travail de manière analogique, activés par le signal de gradient commuté ou signal pondéré, très similaire à celle des neurones dépendent de courant ion type et la quantité par des synapses à activer.
De cette façon, les puces neuromorphiques à petite échelle comme le cerveau peut traiter efficacement des millions de flux informatique parallèle, mais à l'heure actuelle, seul supercalculateur à grande échelle qu'il sera possible de réaliser ce calcul parallèle. Cette technologie portable intelligence artificielle est actuellement le principal obstacle à synapses, ce qui est très difficile à mettre en uvre dans le matériel.
La plupart conception de puces neuromorphic ont été d'essayer d'imiter des connexions synaptiques entre les neurones qui sont reliés par deux couches conductrices de commutation « moyen » de classe ou de séparation spatiale synaptique atteint. Lorsqu'une tension est appliquée, le mouvement des ions formant un filament conducteur dans le moyen de commutation, semblable au poids de synapse va changer.
Cependant, la conception classique est difficile de contrôler le flux d'ions. Kim dit un des concepteurs, le chemin de commutation du moyen constitué d'une majorité des ions dans le matériau amorphe a des possibilités illimitées, l'interface de commutation classique comprend une pluralité de trajets, Il est difficile de prédire exactement où aller ions.
C'est comme un jeu d'arcade machine Pachinko, à travers une série de broches et un levier de guidage d'une petite boule ou transférer le ballon de la machine vers le bas.
Figure Professeur Shu Jeehwan Kim
Kim décrit: « Si vous utilisez un nombre représentatif de la tension appliquée aux neurones artificiels (transmission) de certaines données, vous devez être en mesure de mettre en uvre l'effacement et d'écriture de la même manière, mais dans les solides amorphes, quand. lorsque vous écrivez de nouveau, en raison des nombreux défauts dans les solides, l'ion ira dans des directions différentes, de sorte que toute variation de courant d'ions à tout moment, et hors de contrôle. Ceci est le plus grand défi maintenant - synapses artificiels inhomogénéité . "
Et Kim et ses collègues ne pas utiliser des matériaux amorphes pour créer des synapses artificiels, ils ont utilisé silicium monocristallin . séquence ordonnée atomique du silicium monocristallin, et l'absence de défauts internes dans une grande quantité. Par conséquent, l'équipe de recherche a essayé d'utiliser du silicium monocristallin pour produire un défaut de ligne à une dimension précise ou dislocations, Les ions peuvent se déplacer le long de dislocations ou défauts conformément à la voie d'écoulement prévue.
Pour atteindre cet objectif, les chercheurs ont commencé à partir d'une tranche de silicium, sur le premier motif microscopique sur un silicium plaquette est gravée, puis cultivé sur motif microscopique germanium de silicium, de germanium de silicium est formé, la matière de silicium-germanium est un matériau couramment utilisé dans le transistor. Etant donné que le réseau de silicium-germanium est légèrement plus grand que le réseau de silicium, Kim a constaté que ces deux matières capables de former des dislocations de désadaptation treillis en forme d'entonnoir, forment éventuellement un seul trajet d'écoulement de courant de plasma.
Par conséquent, Les chercheurs qui produisent une forme de puce synaptique de neurones artificiels constitués de germanium de silicium, dans lequel chacune des synapses environ 25 nanomètres . Lorsqu'une tension est appliquée à chacune des synapses synaptiques présentent presque tous du même flux de courant / d'ions, la différence entre les synapses environ 4%. Par rapport à la matière amorphe en une synapse, la performance plus cohérente.
Ils ont également testé à plusieurs reprises un synapses. Après avoir appliqué le même cycle de tension trouvée 700V, chaque synapse présentent le même courant, la différence entre les cycles seulement 1%.
Kim a déclaré: " Ceci est la clé que nous sommes en mesure d'atteindre le dispositif de répétition optimale, cet appareil montre également le réseau de neurones artificiels . "
L'équipe de test finale Découvrez comment effectuer la tâche réelle de l'apprentissage Tels que la façon de reconnaître des échantillons d'écriture. Les chercheurs pensent que ce sont les premières puces neuromorphiques de test réel. La puce se compose d'une entrée / neurones cachés / sortie, chaque neurone est connecté par l'intermédiaire d'une synapse artificielle à base de filament à d'autres neurones.
Les scientifiques estiment qu'une telle pile de réseau de neurones peut être utilisé pour apprendre. Par exemple, si une entrée manuscrite est 1, alors l'indicateur de sortie est 1, une partie des masses d'entrée de neurone de sortie et neurone artificiel poids synaptique activé. Lorsque plus écrit à la main 1 est entrée à la même puce, lorsque la même dispose de la même lettre, ils se sentent différents échantillons du même neurone de sortie peut être activée, et d'apprendre d'une manière similaire au cerveau.
L'équipe de recherche fonctionne également basée sur la simulation informatique du réseau de neurones artificiels de cette puce. Après leur habituelle reconnaissance de l'écriture manuscrite comme l'échantillon d'entrée échantillon de test de simulation de base de données, en milliers d'échantillons testés, Ils ont constaté que la précision de la reconnaissance du système matériel de réseau de neurones est de 95%, tandis que la précision de l'algorithme logiciel existant était de 97%.
Il convient de noter que les résultats devraient ajouter un incendie au cours des dernières années émergé comme une nouvelle tendance, qui est, capacité Cloud Computing à migrer à partir du terminal . La plupart des calculs AI nous voyons, essentiellement dans les nuages pour atteindre, mais c'est la façon de plus en plus faible. Prenez le pilote automatique par exemple, si la couverture des informations AI doit être téléchargé sur le nuage, le nuage pour terminer les calculs pour obtenir les résultats, le risque réel est grande.
Par conséquent, l'importance de l'intelligence artificielle de calcul des capacités du terminal a été conjointement reconnu par le milieu universitaire et de l'industrie, l'amélioration des performances de calcul terminaux deviennent aussi la cible de très poursuivants. Un exemple plus évident est un téléphone AI. Comme les appareils intelligents connectés à l'horloge scène de la vie personnelle, AI pour les téléphones mobiles dans le terminal en cours d'exécution besoins informatiques AI sont de plus en plus diversifiée , Telles que la voix, l'image, le traitement vidéo et autres. Cependant, comme les appareils mobiles avec des ressources informatiques limitées AI peut transporter des téléphones mobiles.
Kim valeur importante se reflète dans les résultats de l'équipe ici. ils La conception portable artificielle des synapses permet un plus petit volume de périphériques réseau, ces équipements de réseau de neurones portables à l'avenir sera en mesure de réaliser les calculs complexes À l'heure actuelle, seul supercalculateur à grande échelle peut accomplir.
Maintenant, l'équipe est la construction d'une puce neuromorphic peut vraiment effectuer des tâches de reconnaissance de l'écriture manuscrite. Kim a dit, nous Le besoin final est comme une puce de la taille d'un ongle au lieu grand supercalculateur. Et leur artificielle synapse cette constatation pour la réalisation de matériel de réseau de neurones a jeté une base solide.
