Werden hocheffiziente künstliche photoelektrische Neuronen Realität? 30.000-mal schneller als natürliche Neuronen, Studie veröffentlicht im Nature-Unterjournal

In künstlichen neuronalen Netzen sind viele Komponenten, sogenannte Neuronen, in Daten eingebettet und arbeiten zusammen, um Probleme wie die Gesichtserkennung zu lösen. Neuronale Netze passen ihre Synapsen – Verbindungen zwischen Neuronen – immer wieder an, um festzustellen, ob das resultierende Verhaltensmuster eine bessere Lösung darstellt. Doch mit der Zeit wird das neuronale Netzwerk in den Ergebnissen der Berechnung schließlich das optimale Verhaltensmuster finden. Anschließend wählt es diese Modi als Standardwerte aus und ahmt so den Lernprozess des menschlichen Gehirns nach.

Obwohl KI-Systeme immer mehr reale Anwendungen finden, stehen sie aufgrund der Einschränkungen der für ihren Betrieb verwendeten Hardware immer noch vor großen Herausforderungen. Um dieses Problem zu lösen, haben Forscher neuromorphe Computerhardware entwickelt, die vom menschlichen Gehirn inspiriert ist.

Zum Beispiel sendet eine neuromorphe Mikrochipkomponente möglicherweise nur dann eine Spitze aus oder erzeugt einen Ausgang, wenn sie innerhalb eines bestimmten Zeitraums eine bestimmte Anzahl von Eingangssignalen empfängt. Dies ist eine Strategie, die das Verhalten echter biologischer Neuronen genauer simuliert. Im Vergleich zu typischen künstlichen neuronalen Netzen senden diese Geräte nur sehr wenige Spitzen aus, sodass viel weniger Daten verarbeitet werden, während sie im Prinzip viel weniger Strom und Kommunikationsbandbreite benötigen.

Neuromorphe Hardware verwendet jedoch häufig traditionelle Elektronik, was letztendlich die komplexe Funktionalität und Signalgeschwindigkeit, die sie erreichen kann, einschränkt. Beispielsweise kann jedes biologische Neuron Zehntausende von Synapsen haben, aber neuromorphe Geräte haben Schwierigkeiten, ihre künstlichen Neuronen miteinander zu verbinden. Eine wirksame Lösung für dieses Problem ist Multiplexing, das heißt, ein Signalkanal kann mehrere Signale gleichzeitig übertragen. Da die Chips jedoch größer und komplexer werden, kann sich die Rechengeschwindigkeit verlangsamen.

In einer aktuellen neuen Studie untersuchten Forscher des National Institute of Standards and Technology (NIST) die Verwendung von Lichtemissionssendern und -empfängern zur Verbindung von Neuronen. Im Prinzip könnten optische Verbindungen oder optische Wellenleiter jedes Neuron mit Lichtgeschwindigkeits-Kommunikationsraten mit Tausenden anderer Neuronen verbinden. Der entsprechende Artikel wurde in Nature Electronics veröffentlicht.

Papieradresse: https://www.nature.com/articles/s41928-022 -00840-9Forschungsübersicht

Forscher

verwendete eine Methode, die einzelne erkennen kann Photonen Das supraleitende Nanodrahtgerät , in dem diese detektierbaren Lichtsignale die kleinste Einheit darstellen, kann als physikalische Grenze der Energieeffizienz angesehen werden.

Die folgende Darstellung zeigt, wie supraleitende Schaltkreise, die neuronale Synapsen (die Schnittstellenpunkte zwischen Neuronen im Gehirn) simulieren, verwendet werden könnten, um die künstliche Optoelektronik der Zukunft zu schaffen .

Die Durchführung photonischer neuronaler Berechnungen ist oft schwierig, da sie im Allgemeinen Geräte erfordern, die Licht über einen längeren Zeitraum einfangen können optischer Hohlraum. Solche Hohlräume auf integrierten Mikrochips zu erzeugen und sie mit vielen Wellenleitern zu verbinden, ist äußerst anspruchsvoll.

Daher entwickelten die Forscher ein Hybridschaltungssystem, bei dem das Ausgangssignal jedes Detektors in ultraschnelle elektrische Impulse von etwa 2 Pikosekunden Länge umgewandelt wird.

Diese Impulse werden durch eine einzelne magnetische Fluktuation oder einen magnetischen Fluss innerhalb eines Netzwerks supraleitender Quanteninterferometer oder eines supraleitenden Quanteninterferometers (SQUID) verursacht. Jeffrey Shainline, Forscher am NIST und korrespondierender Autor, sagte: „Seit vielen Jahren arbeiten wir intensiv an theoretischer Forschung, um Technologien zu entdecken, die neuromorphes Computing ermöglichen. Die Verfolgung dieses Ziels führte uns zu dem Konzept, optische Kommunikation in einem zu kombinieren.“ Photonenebenen mit neuronalen Netzwerkberechnungen durch Josephson-Kontakte 🎜🎜# Das supraleitende Quanteninterferometer (SQUID) besteht aus einer oder mehreren Josephson-Strukturen, die durch supraleitende Materialien auf der Ober- und Unterseite getrennt sind eine Isolierfolie in der Mitte. Wenn der Strom durch den Josephson-Kontakt (JJ) einen bestimmten Schwellenwert überschreitet, beginnt das supraleitende Quanteninterferometer, einen magnetischen Fluss zu erzeugen.

Nachdem ein Photon erfasst wurde, erzeugt der Einzelphotonendetektor (SPD) magnetische Flussquanten, und diese Flussquanten werden dann als Strom in der supraleitenden Schleife von SQUID gesammelt. Dieser gespeicherte Strom dient als eine Form des Gedächtnisses und zeichnet auf, wie oft das Neuron einen Spitzenwert erreicht hat.

Abbildung 2 unten zeigt das Layout und die fertige Schaltung. a ist das 3D-Layout des gesamten synaptischen Schaltkreises; b ist das SPD-Layout; e ist das Layout von JJ und Shunt; bei der Herstellung; g ist der SQUID, der für den DR-Zyklus (Dendritenempfang) verwendet wird; h ist der DR-SQUID bei der Herstellung.

Shainline erklärte: „Es war eigentlich ganz einfach, die Schaltung zum Laufen zu bringen. Während der Entwurfsphase, der Herstellung und Das Experimentieren hat viel Zeit gekostet Ziemlich viel Zeit, aber die Tatsache, dass diese Schaltkreise funktionierten, als wir sie zum ersten Mal herstellten, verheißt sehr Gutes für die zukünftige Skalierbarkeit solcher Systeme -Photonendetektoren mit Josephson zur Bildung einer supraleitenden Synapse.

Sie berechneten, dass die Spitzenfrequenz von Synapsen 10 Millionen Hz überschreiten kann, während jedes synaptische Ereignis etwa 33 Attojoule Energie verbraucht (1 Attojoule entspricht 10^-18 Joule)#🎜 🎜##🎜 🎜#. Im Vergleich dazu beträgt die maximale durchschnittliche Spike-Rate menschlicher Neuronen nur etwa 340 Hz, während jedes synaptische Ereignis etwa 10 Femtojoule verbraucht (1 Femtojoule entspricht 10^-15 Joule).

Abbildung 3 unten zeigt die Eigenschaften einer einzelnen Synapse mit einer Zeitkonstante von 6,25 μs und einer Induktivität von 2,5 μH. Messungen zeigen tatsächliche Werte von 8,06 μs bzw. 3,2 μH.

Abbildung 4 unten zeigt, dass synaptische Übertragungsfunktionen über einen weiten Bereich von Zeitskalen entworfen werden können.

Darüber hinaus können Forscher erkennen, dass sich die Ausgabezeit dieser Schaltungssystemgeräte von Hunderten von Nanosekunden auf Millisekunden ändert. Dies bedeutet auch, dass diese Hardware mit einer Reihe von Systemen verbunden werden kann, von der Kommunikation zwischen elektronischen Hochgeschwindigkeitsgeräten bis hin zu entspannteren Interaktionen zwischen Menschen und Maschinen.

In Zukunft werden die Forscher die von ihnen entwickelten neuen Synapsen mit On-Chip-Lichtquellen kombinieren, um vollständig integrierte supraleitende Neuronen zu schaffen. Shainline sagte: „Es gibt immer noch große Herausforderungen bei der Entwicklung vollständig integrierter supraleitender Neuronen, aber wenn wir diesen letzten Teil integrieren können, gibt es allen Grund zu der Annahme, dass er irgendwann zu einer leistungsstarken Computerplattform für künstliche Intelligenz werden könnte.“ 🎜🎜#

Das obige ist der detaillierte Inhalt vonWerden hocheffiziente künstliche photoelektrische Neuronen Realität? 30.000-mal schneller als natürliche Neuronen, Studie veröffentlicht im Nature-Unterjournal. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!