Svært enkelt fortalt består menneskehjernen av store mengder nerveceller som er knyttet sammen av en enormt antall synaptiske forbindelser, eller synapser. Kommunikasjonen mellom nevronene skjer via synapsene ved hjelp av nerveimpulser, en form for elektrokjemiske signaler.
Dette gjør at mennesker lett kan utføre mange oppgaver som selv de kraftigste datamaskiner i dag sliter med. På den annen side er det andre oppgaver som er lette å utføre for dagens datamaskiner, som er svært vanskelige å gjøre for mennesker.
Faseskift
Inspirert av dette har forskere ved IBM Research i Zürich nå utviklet en ny type kunstige nevroner, basert på et faseskiftmateriale – et materiale som kan veksle mellom to stabile faser, typisk krystallinsk og amorf. .
I den krystallinske fasen leder materialet strøm godt, mens det motsatte er tilfellet i den amorfe fasen.
Tidligere har kunstige nevroner gjerne blitt lagt med CMOS-baserte kretser.
Med faseskift-enhetene er målet å oppnå areal- og energieffektivitet som kan sammenlignes med biologiske systemer.
I et internintervju hos IBM forteller PhD-studenten Manuel Le Gallo at nevroner har en funksjonalitet som de forskerne kaller for «integrate and fire».
– Nevronet fungerer som en akkumulator. Dersom du sender flere inputs til nevronet, vil det samordne alle disse input-ene. Avhengig av antallet inputer og deres styrke, vil membranpotensialet nå en viss terskel og nevronen vil avfyres. En slik akkumulator kan brukes til å utføre overraskende komplekse, databeregningsoppgaver, forteller Le Gallo.
- Forrige gang: IBM bygger hjerneinspirert datamaskin
Mønstergjenkjenning
Selv et enkelt nevron kan ifølge IBM brukes til å gjenkjenne mønstre og å oppdage korrelasjoner i sanntidsstrømmer av hendelsesdata, for eksempel fra nettverk med klimasensorer. Andre eksempler å gjenkjenne mønstre i finansielle transaksjoner for å avdekke uoverensstemmelser, eller å benytte data fra sosiale medier for å oppdage nye kulturelle trender i sanntid.
Videoen nedenfor viser hvordan et sett med faseskift-nevroner, som hver er knyttet til 10.000 synapser med hver sin bildepiksel som input, kan skille ut mønstre i bilder som i blant dukker opp i en video, hvor resten av bildepikslene er vilkårlig støy.
Ifølge IBM kan store samlinger av slike nevroner i nanometerstørrelse også brukes i nevromorfe hjelpeprosessorer med samlokaliserte minne- og prosesseringsenheter.
Logikk og minne i ett
– I tradisjonell databehandling har vi separate minne- og logikkenheter. Når du ønsker å utføre en beregning, må du først aksessere minnet, hente dataene og overføre dem til logikkenheten, som returnerer beregningen. Og hver gang du mottar et resultat, må du sende det tilbake til minnet. Denne prosessen går fram og tilbake kontinuerlig. Så dersom det er enorme datamengder du jobber med, vil det bli et reelt problem, forteller Le Gallo i intervjuet.
– I et nevralt nettverk er databehandling og datalagring samlokalisert. Du behøver ikke å etablere kommunikasjon mellom logikk og minne. Du må bare lage de passende forbindelsene mellom ulike nevroner. Dette er hovedårsaken til at vi tror vår tilnærming vil bli mer effektiv, spesielt ved prosessering av enorme datamengder.
En forskningsartikkel om dette arbeidet er tilgjengelig her. Ars Technica har skrevet en mer lettfattelig artikkel som spesielt tar for seg hvordan faseskift-nevronene egentlig fungerer, sammenlignet med biologiske nevroner.
- Leste du denne? Nå kan du teste en kvantedatamaskin
