A Moiré anyagból szinaptikus tranzisztor készül a neuromorf számítástechnika számára – Physics World

Az egyesült államokbeli Northwestern Egyetem, a Boston College és a Massachusetts Institute of Technology (MIT) kutatói új típusú tranzisztort fejlesztettek ki neuromorf számítástechnikában. A szobahőmérsékleten működő eszköz megtanítható hasonló bemeneti minták felismerésére – ez az asszociatív tanulásnak nevezett tulajdonság, amely túlmutat a szokásos gépi tanulási feladatokon.

A neuromorf számítógépeket, ahogy a nevük is sugallja, az emberi agy felépítése ihlette. Áramköreik építőkövei szorosan összekapcsolt mesterséges neuronok és mesterséges szinapszisok, amelyek szimulálják az agy szerkezetét és funkcióit. Ezek a gépek kombinált feldolgozó- és memóriaegységekkel rendelkeznek, amelyek lehetővé teszik az információk feldolgozásával egyidejűleg – akárcsak egy többfeladatos emberi agy. Ez a képesség különbözteti meg őket a külön feldolgozó és tároló egységekkel rendelkező digitális számítógépektől, amelyek hatalmas mennyiségű energiát fogyasztanak az adatigényes feladatok végrehajtása során. Az ilyen feladatok az intelligens, összekapcsolt eszközök és a hatalmas adathalmazok megjelenésével egyre gyakoribbá válnak.

Míg a szinaptikus eszközök jelentősen fejlődtek az elmúlt években, a jó kapcsolási mechanizmusok hiánya korlátozza őket. Mark Hersam of Északnyugati, aki a kutatás társvezetője volt. „A ma legelterjedtebb szinaptikus technológiának számító memristorokban (a memóriaellenállások rövidítése) a rostos kapcsolás sztochasztikus jellege jelentős eszköz-eszköz és ciklus-ciklus változékonysághoz vezet” – mondja.

Más típusú szinaptikus eszközök mágneses és fázisváltó kapcsoláson alapulnak, de ezek alacsony kapcsolási aránytól és nagy kapcsolási energiától szenvednek, teszi hozzá Hersam.

Moiré kvantumanyagok

E problémák leküzdése érdekében Hersam és munkatársai kétdimenziós moaré kvantumanyagokat tanulmányoztak. Különböző atomi vékonyságú anyagok rétegeiből állnak, amelyek egymásra vannak rakva, és kis szögekkel csavarják össze. Az ilyen szerkezetek olyan elektronikus tulajdonságokkal rendelkeznek, amelyek nem léteznek az egyes anyagrétegekben. A rétegek egymáshoz képest különböző szögekben történő elcsavarásával a kutatók nagyon pontosan hangolhatják ezeket az elektronikus tulajdonságokat – ez a tulajdonság nagyon vonzó az új elektronikus eszközök, köztük a neuromorf számítástechnikai alkatrészek számára.

Munkájukban, amelyet részletesen a TermészetA kutatók egy aszimmetrikus szerkezetet hoztak létre, amely két réteg grafénből (csak egy atom vastagságú lapos szénkristály) és egy hatszögletű bór-nitrid (hBN) rétegből állt. Mivel ennek a két anyagnak nagyon hasonló a rácsállandója, az atomjaik elhelyezkedésének enyhe eltéréséből adódó moaré hatások nagyon hangsúlyosak. Az eredmény egy erős Coulomb-csatolás a heterostruktúra kétrészes elektronállapotai között, amely elektronikusan vezérelt racsnis mechanizmusként nyilvánul meg. Ez a kilincsmű lehetővé teszi a heterostruktúrából készült tranzisztor vezetőképességének pontos szabályozását és folyamatos hangolását.

"Az eszköz vezetőképességének folyamatos hangolhatósága sűrű és programozható memóriaállapotokat eredményez az új kvantumszinaptikus funkciókon kívül, mint például a biorealisztikus homeosztázis és a bemenet-specifikus adaptáció" - magyarázza Hersam. "Mi több, készülékeink nagyon kevés energiát fogyasztanak, és a moaré elektronikai állapotok homogenitása miatt minimális eltérést mutatnak az eszközök között."

Szobahőmérsékletű működés

És ez még nem minden: a készülékek gyorsan kapcsolnak, kikapcsolt állapotban is megtartják elektronikus állapotukat, és ami fontos, szobahőmérsékleten stabilak. Ez ellentétben áll a korábbi moaré eszközökkel, amelyek csak kriogén hőmérsékleten működtek.

A tranzisztor tesztelésére Hersam és csapata kiképezte, hogy felismerje az egymáshoz hasonló mintákat. Először három nullából álló sorozatot írtak be egymás után (000), majd tesztelték, hogy azonosítsák a hasonló mintákat, például a 111-et vagy a 101-et.

A memrisztorok sokoldalú mesterséges szinapszisokat készítenek a neuromorf számítástechnika számára

„Ha megtanítjuk a 000 észlelésére, majd 111-et és 101-et adunk neki, akkor tudja, hogy a 111 jobban hasonlít a 000-re, mint a 101-re” – magyarázza Hersam. "A 000 és a 111 nem teljesen ugyanaz, de mindkettő három számjegy egy sorban."

A hasonlóság felismerése a megismerés egy magasabb szintű formája, az asszociatív tanulás, és az új eszköz erre képes – mondja.

A kutatók jelenleg a grafénen és a hBN-n kívül más van der Waals-anyagokban rejlő lehetőségeket kutatják, abban a reményben, hogy integrálhatják őket még kifinomultabb neuromorf funkciójú moaré heterostruktúrákba. "Hosszabb távú cél az lenne, hogy a heterostruktúrák közül a legígéretesebb példákat felnagyítsák, hogy teljesen integrált neuromorf áramkörök és rendszerek valósuljanak meg" - mondja Hersam. Fizika Világa.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/moire-material-makes-a-synaptic-transistor-for-neuromorphic-computing/