Разработан быстрый, эффективный и долговечный искусственный синапс

Способность мозга одновременно изучать и запоминать большие объемы информации, при этом не требуя большого количества энергии, вдохновила ученых на создание нейроморфных компьютеров. Исследователи из Стэнфордского университета и Национальной лаборатории Сандиа разработали важную часть такого компьютера: устройство, которое действует как искусственный синапс, имитируя способ взаимодействия нейронов в мозге.

В документе, опубликованном журналом Science 25 апреля, команда исследователей сообщает, что набор прототипов из девяти таких устройств работал даже лучше, чем ожидалось, по скорости обработки, энергоэффективности, воспроизводимости и долговечности.

Заглядывая вперед, ученые хотят объединить свой искусственный синапс с традиционной электроникой, что, как они надеются, может стать шагом к поддержке искусственного интеллектуального обучения на небольших устройствах.

«Если у вас есть система памяти, которая может учиться с энергоэффективностью и скоростью, которые мы представили, то вы можете поместить ее в смартфон или ноутбук», — сказал Скотт Кин, соавтор исследования. «Это открыло бы доступ к возможности обучать наши собственные сети и решать проблемы локально на наших собственных устройствах, не полагаясь на передачу данных».

Искусственный синапс подобен батарее, модифицированной таким образом, чтобы исследователи могли набирать или уменьшать поток электричества между двумя терминалами. Такой поток электричества подражает тому, как обучение связано с мозгом. Это эффективная схема, потому что обработка данных и хранение в памяти происходят в одно действие, а не как в более традиционной компьютерной системе, где данные сначала обрабатываются, а затем перемещаются в хранилище.

Изучение того, как эти устройства работают в массиве, является важным шагом, поскольку позволяет исследователям программировать несколько искусственных синапсов одновременно. Это занимает гораздо меньше времени, чем программирование каждого синапса один за другим, и сравнимо с тем, как на самом деле работает человеческий мозг.

В предыдущих тестах более ранней версии этого устройства исследователи обнаружили, что обработка и действия с памятью требуют примерно одну десятую часть энергии, необходимой современной вычислительной системе для выполнения конкретных задач. Тем не менее, исследователи обеспокоены тем, что сумма всех этих устройств, работающих вместе в больших массивах, может потреблять слишком много энергии. Таким образом, они переделали каждое устройство, чтобы проводить меньше электрического тока — что делает массив еще более энергоэффективным.

Созданный массив 3 на 3 основывался на устройстве второго типа — разработанном Джошуа Янгом из Массачусетского университета.

«Для подключения всех компонентов потребовалось немало усилий по устранению неисправностей и много проводов. Мы должны были убедиться, что все компоненты массива работали согласованно», — говорят исследователи. «Но когда мы увидели, что все зажглось, это было похоже на рождественскую елку. Это был самый волнующий момент».

Во время тестирования массив превзошел ожидания исследователей. Он работал с такой скоростью, что команда предсказывает, что следующую версию этих устройств нужно будет тестировать с помощью специальной высокоскоростной электроники.

После измерения высокой энергоэффективности в массиве 3 на 3, исследователи запустили компьютерное моделирование большего массива синапсов 1024 на 1024 и оценили, что он может питаться от тех же батарей, которые в настоящее время используются в смартфонах или небольших беспилотных летательных аппаратах. Исследователи также смогли переключать устройства более миллиарда раз — еще одно свидетельство его скорости — без видимого ухудшения его поведения.

Исследователи еще не представили свой массив для испытаний, которые определяют, насколько хорошо он учится, но это то, что они планируют изучить в ближайшее время. Команда также хочет увидеть, как их устройство выдерживает различные условия — например, высокие температуры — и работать над интеграцией его с электроникой. Кроме того, осталось ответить на многие фундаментальные вопросы, которые могли бы помочь исследователям понять, почему их устройство работает так хорошо.

Elliot J. Fuller et al. Parallel programming of an ionic floating-gate memory array for scalable neuromorphic computing, Science (2019). DOI: 10.1126/science.aaw5581