Sinapsis como modelo: memoria de estado sólido en ne

imagen: La imagen muestra esquemáticamente la conexión de dos neuronas biológicas a través de una sinapsis. En aras de la claridad, solo se muestra una de las aproximadamente 10.000 sinapsis que tiene cada neurona. Las sinapsis biológicas deben ser emuladas por dispositivos activos redox memristivos, como se muestra a la derecha.
vista más

Crédito: Forschungszentrum Jülich

Jülich, 15 de agosto de 2022 – Son muchas veces más rápidas que la memoria flash y requieren significativamente menos energía: las células de memoria memristiva podrían revolucionar la eficiencia energética de las computadoras neuromórficas. En estas computadoras, que se basan en la forma en que funciona el cerebro humano, las células memristivas funcionan como sinapsis artificiales. Numerosos grupos de todo el mundo están trabajando en el uso de los circuitos neuromórficos correspondientes, pero a menudo sin comprender cómo funcionan y con modelos defectuosos. Los investigadores de Jülich ahora han resumido los principios y modelos físicos en un artículo de revisión completo en la renombrada revista Avances en Física.

Ciertas tareas, como reconocer patrones y lenguaje, son realizadas de manera muy eficiente por un cerebro humano, requiriendo solo alrededor de una diezmilésima parte de la energía de una computadora convencional, llamada “von Neumann”. Una de las razones radica en las diferencias estructurales: en una arquitectura de von Neumann, existe una clara separación entre la memoria y el procesador, lo que requiere un movimiento constante de grandes cantidades de datos. Esto consume tiempo y energía: el llamado cuello de botella de von Neumann. En el cerebro, la operación computacional tiene lugar directamente en la memoria de datos y las sinapsis biológicas realizan las tareas de memoria y procesador al mismo tiempo.

En Jülich, los científicos han estado trabajando durante más de 15 años en dispositivos y componentes especiales de almacenamiento de datos que pueden tener propiedades similares a las sinapsis en el cerebro humano. Los llamados dispositivos de memoria memristive, también conocidos como memristores, se consideran extremadamente rápidos, ahorran energía y se pueden miniaturizar muy bien hasta el rango de nanómetros. El funcionamiento de las células memristivas se basa en un efecto muy especial: Su resistencia eléctrica no es constante, sino que se puede cambiar y restablecer aplicando un voltaje externo, teóricamente de forma continua. El cambio en la resistencia está controlado por el movimiento de los iones de oxígeno. Si estos salen de la capa de óxido de metal semiconductor, el material se vuelve más conductor y la resistencia eléctrica cae. Este cambio en la resistencia se puede utilizar para almacenar información.

Los procesos que pueden ocurrir en las células son muy complejos y varían según el sistema material. Tres investigadores del Instituto Jülich Peter Grünberg, la Prof. Regina Dittmann, el Dr. Stephan Menzel y el Prof. Rainer Waser, han recopilado los resultados de su investigación en un artículo de revisión detallado, “Fenómenos memristivos nanoiónicos en óxidos metálicos: el mecanismo de cambio de valencia”. . Explican en detalle los diversos efectos físicos y químicos en los memristores y arrojan luz sobre la influencia de estos efectos en las propiedades de conmutación de las células memristivas y su confiabilidad.

“Si observa las actividades de investigación actuales en el campo de los circuitos de memristores neuromórficos, a menudo se basan en enfoques empíricos para la optimización de materiales”, dijo Rainer Waser, director del Instituto Peter Grünberg. “Nuestro objetivo con nuestro artículo de revisión es brindar a los investigadores algo con lo que trabajar para permitir la optimización de materiales basada en conocimientos”. El equipo de autores trabajó en el artículo de aproximadamente 200 páginas durante diez años y, naturalmente, tuvo que seguir incorporando avances en el conocimiento.

“El funcionamiento análogo de las células memristivas requeridas para su uso como sinapsis artificiales no es el caso normal. Por lo general, hay saltos repentinos en la resistencia, generados por la amplificación mutua del movimiento iónico y el calor Joule”, explica Regina Dittmann del Instituto Peter Grünberg. . “En nuestro artículo de revisión, brindamos a los investigadores la comprensión necesaria sobre cómo cambiar la dinámica de las celdas para permitir un modo de funcionamiento analógico”.

“Ves una y otra vez que los grupos simulan sus circuitos de memristores con modelos que no tienen en cuenta en absoluto la alta dinámica de las células. Estos circuitos nunca funcionarán”. dijo Stephan Menzel, quien dirige actividades de modelado en el Instituto Peter Grünberg y ha desarrollado poderosos modelos compactos que ahora son de dominio público (www.emrl.de/jart.html). “En nuestro artículo de revisión, brindamos los conceptos básicos que son extremadamente útiles para un uso correcto de nuestros modelos compactos”.

Hoja de ruta de la computación neuromórfica

La “Hoja de ruta de la computación e ingeniería neuromórficas”, que se publicó en mayo de 2022, muestra cómo la computación neuromórfica puede ayudar a reducir el enorme consumo de energía de TI a nivel mundial. En él, investigadores del Instituto Peter Grünberg (PGI-7), junto con destacados expertos en la materia, han recopilado las distintas posibilidades tecnológicas, enfoques computacionales, algoritmos de aprendizaje y campos de aplicación.

Según el estudio, es probable que las aplicaciones en el campo de la inteligencia artificial, como el reconocimiento de patrones o el reconocimiento de voz, se beneficien de manera especial del uso de hardware neuromórfico. Esto se debe a que se basan, mucho más que las operaciones informáticas numéricas clásicas, en el desplazamiento de grandes cantidades de datos. Las celdas memristivas hacen posible procesar estos gigantescos conjuntos de datos directamente en la memoria sin transportarlos de un lado a otro entre el procesador y la memoria. Esto podría reducir la eficiencia energética de las redes neuronales artificiales en órdenes de magnitud.

Las células memristivas también se pueden interconectar para formar matrices de alta densidad que permiten que las redes neuronales aprendan localmente. Esta llamada computación perimetral traslada los cálculos del centro de datos al piso de la fábrica, el vehículo o el hogar de las personas que necesitan atención. Por lo tanto, los procesos de monitoreo y control o iniciar medidas de rescate se pueden hacer sin enviar datos a través de una nube. “Esto logra dos cosas al mismo tiempo: ahorra energía y, al mismo tiempo, los datos personales y los datos relevantes para la seguridad permanecen en el sitio”, dice el profesor Dittmann, quien desempeñó un papel clave en la creación de la hoja de ruta como editor.

Publicaciones originales:

Regina Dittmann, Stephan Menzel, Rainer Waser: “Fenómenos memristivos nanoiónicos en óxidos metálicos: el mecanismo de cambio de valencia”, Avances en física (2022)
DOI: 10.1080/00018732.2022.2084006

DV Christensen, R. Dittmann, B. Linares-Barranco, A. Sebastian, M. Le Gallo, A. Redaelli, S. Slesazeck, T. Mikolajick, S. Spiga, S. Menzel, I. Valov, G. Milano, C. Ricciardi, S.-J. Liang, F. Miao, M. Lanza, TJ Quill, ST Keene, Alberto Salleo, J. Grollier, D. Markovic, A. Mizrahi, P. Yao, J. Joshua Yang, G. Indiveri, J. P Strachan, S Datta, E. Vianello, A. Valentian, J. Feldmann, X. Li, W. HP Pernice, H. Bhaskaran, S. Furber, E. Neftci, F. Scherr, W. Maass, S. Ramaswamy, J. Tapson, P. Panda, Y. Kim, G. Tanaka, S. Thorpe, C. Bartolozzi, T. A Cleland, C. Posch, S.-C.Liu, G. Panuccio, M. Mahmud, AN Mazumder, M Hosseini, T. Mohsenin, E. Donati, S. Tolu, R. Galeazzi, ME Christensen, S. Holm, D. Ielmini y Nini Pryds, “Hoja de ruta 2022 sobre computación e ingeniería neuromórficas”, aceptado para su publicación en Neuromorphic Computing and Ingeniería (2022),
DOI: 10.1088/2634-4386/ac4a83

Contacto de prensa:

Tobias Schlösser
Unternehmenskommunikation
Correo electrónico: t.schloesser@fz-juelich.de


#Sinapsis #como #modelo #memoria #estado #sólido

Dejá un comentario

Tu dirección de correo electrónico no será publicada.