Cuando se trata de potencia de procesamiento, el cerebro humano simplemente no puede ser vencido.

Empacado dentro del blando, Un órgano del tamaño de una pelota de fútbol tiene alrededor de 100 mil millones de neuronas. En cualquier momento dado, una sola neurona puede transmitir instrucciones a miles de otras neuronas a través de sinapsis:los espacios entre neuronas, a través del cual se intercambian neurotransmisores. Hay más de 100 billones de sinapsis que median la señalización neuronal en el cerebro, fortalecer algunas conexiones mientras poda otras, en un proceso que permite al cerebro reconocer patrones, recordar hechos, y realizar otras tareas de aprendizaje, a la velocidad del rayo.

Los investigadores en el campo emergente de la "computación neuromórfica" han intentado diseñar chips de computadora que funcionen como el cerebro humano. En lugar de realizar cálculos basados ​​en binarios, señalización de encendido / apagado, como lo hacen los chips digitales hoy en día, los elementos de un "cerebro en un chip" funcionarían de forma analógica, intercambiando un gradiente de señales, o "pesos, "al igual que las neuronas que se activan de diversas formas dependiendo del tipo y número de iones que fluyen a través de una sinapsis.

De este modo, pequeños chips neuromórficos podrían, como el cerebro, Procese de manera eficiente millones de flujos de cálculos paralelos que actualmente solo son posibles con grandes bancos de supercomputadoras. Pero un obstáculo importante en el camino hacia esa inteligencia artificial portátil ha sido la sinapsis neuronal, que ha sido particularmente complicado de reproducir en hardware.

Ahora, los ingenieros del MIT han diseñado una sinapsis artificial de tal manera que pueden controlar con precisión la fuerza de una corriente eléctrica que fluye a través de ella. similar a la forma en que los iones fluyen entre las neuronas. El equipo ha construido un pequeño chip con sinapsis artificiales, hecho de germanio de silicio. En simulaciones, los investigadores encontraron que el chip y sus sinapsis podrían usarse para reconocer muestras de escritura a mano, con un 95 por ciento de precisión.

El diseño, publicado hoy en la revista Materiales de la naturaleza , es un gran paso hacia la construcción de dispositivos portátiles, chips neuromórficos de baja potencia para su uso en el reconocimiento de patrones y otras tareas de aprendizaje.

La investigación fue dirigida por Jeehwan Kim, el Profesor Asistente de Desarrollo de Carrera de la promoción de 1947 en los departamentos de Ingeniería Mecánica y Ciencia e Ingeniería de Materiales, e investigador principal en el Laboratorio de Investigación de Laboratorios de Tecnología de Microsistemas y Electrónica del MIT. Sus coautores son Shinhyun Choi (primer autor), Scott Tan (co-primer autor), Zefan Li, Yunjo Kim, Chanyeol Choi, y Hanwool Yeon del MIT, junto con Pai-Yu Chen y Shimeng Yu de la Universidad Estatal de Arizona.

Demasiados caminos

La mayoría de los diseños de chips neuromórficos intentan emular la conexión sináptica entre neuronas utilizando dos capas conductoras separadas por un "medio de conmutación, "o espacio similar a una sinapsis. Cuando se aplica un voltaje, los iones deben moverse en el medio de conmutación para crear filamentos conductores, de manera similar a cómo cambia el "peso" de una sinapsis.

Pero ha sido difícil controlar el flujo de iones en diseños existentes. Kim dice que eso se debe a que la mayoría de los medios de comunicación hecho de materiales amorfos, tienen caminos posibles ilimitados a través de los cuales pueden viajar los iones, un poco como Pachinko, un juego de arcade mecánico que canaliza pequeñas bolas de acero a través de una serie de pasadores y palancas, que actúan para desviar o dirigir las bolas fuera de la máquina.

Como Pachinko, Los medios de conmutación existentes contienen múltiples rutas que dificultan predecir por dónde pasarán los iones. Kim dice que eso puede crear una falta de uniformidad no deseada en el desempeño de una sinapsis.

"Una vez que aplicas algo de voltaje para representar algunos datos con tu neurona artificial, tienes que borrarlo y poder volver a escribirlo exactamente de la misma manera, "Dice Kim." Pero en un sólido amorfo, cuando vuelvas a escribir, los iones van en diferentes direcciones porque hay muchos defectos. Esta corriente está cambiando y es difícil de controlar. Ese es el mayor problema:la falta de uniformidad de la sinapsis artificial ".

Un perfecto desajuste

En lugar de utilizar materiales amorfos como sinapsis artificial, Kim y sus colegas buscaron silicio monocristalino, un material conductor libre de defectos hecho de átomos dispuestos en una alineación ordenada continuamente. El equipo buscó crear un defecto de línea unidimensional, o dislocación, a través del silicio, a través del cual los iones podrían fluir predeciblemente.

Para hacerlo los investigadores comenzaron con una oblea de silicio, parecido a, a resolución microscópica, un patrón de alambre de gallinero. Luego hicieron crecer un patrón similar de germanio de silicio, un material que también se usa comúnmente en transistores, en la parte superior de la oblea de silicio. La red del germanio del silicio es ligeramente más grande que la del silicio, y Kim descubrieron que juntos los dos materiales perfectamente desiguales pueden formar una dislocación en forma de embudo, creando un camino único a través del cual los iones pueden fluir.

Los investigadores fabricaron un chip neuromórfico que consta de sinapsis artificiales hechas de germanio de silicio, cada sinapsis mide unos 25 nanómetros de ancho. Aplicaron voltaje a cada sinapsis y encontraron que todas las sinapsis exhibían más o menos la misma corriente, o flujo de iones, con una variación de alrededor del 4 por ciento entre las sinapsis, un rendimiento mucho más uniforme en comparación con las sinapsis hechas de material amorfo.

También probaron una sola sinapsis en múltiples ensayos, aplicando el mismo voltaje durante 700 ciclos, y encontró que la sinapsis exhibía la misma corriente, con solo un 1 por ciento de variación de un ciclo a otro.

"Este es el dispositivo más uniforme que pudimos lograr, que es la clave para demostrar redes neuronales artificiales, "Dice Kim.

Escribiendo, Reconocido

Como prueba final, El equipo de Kim exploró cómo funcionaría su dispositivo si realizara tareas de aprendizaje reales, específicamente, reconocer muestras de escritura a mano, que los investigadores consideran una primera prueba práctica para chips neuromórficos. Dichos chips consistirían en "neuronas de entrada / ocultas / de salida, "cada uno conectado a otras" neuronas "a través de sinapsis artificiales basadas en filamentos.

Los científicos creen que estas pilas de redes neuronales pueden "aprender". Por ejemplo, cuando se alimenta una entrada que es un '1 escrito a mano, 'con una salida que lo etiqueta como' 1, «Ciertas neuronas de salida serán activadas por neuronas de entrada y pesos de una sinapsis artificial. Cuando se introducen más ejemplos de "1" escritos a mano en el mismo chip, las mismas neuronas de salida pueden activarse cuando detectan características similares entre diferentes muestras de la misma letra, así, "aprender" de una manera similar a lo que hace el cerebro.

Kim y sus colegas ejecutaron una simulación por computadora de una red neuronal artificial que consta de tres hojas de capas neuronales conectadas a través de dos capas de sinapsis artificiales. cuyas propiedades se basan en mediciones de su chip neuromórfico real. Introdujeron en su simulación decenas de miles de muestras de un conjunto de datos de reconocimiento escrito a mano comúnmente utilizado por diseñadores neuromórficos. y descubrió que su hardware de red neuronal reconocía muestras escritas a mano el 95 por ciento de las veces, en comparación con el 97 por ciento de precisión de los algoritmos de software existentes.

El equipo está en el proceso de fabricar un chip neuromórfico funcional que pueda realizar tareas de reconocimiento de escritura a mano. no en simulación sino en realidad. Mirando más allá de la escritura a mano, Kim dice que el diseño de sinapsis artificial del equipo permitirá mucho más pequeño, Dispositivos portátiles de redes neuronales que pueden realizar cálculos complejos que actualmente solo son posibles con grandes supercomputadoras.

"En última instancia, queremos un chip del tamaño de una uña para reemplazar una gran supercomputadora, ", Dice Kim." Esto abre un trampolín para producir hardware artificial real ".