La neurona de espín Straintronic está compuesta por imanes con tensión mecánica generada por un voltaje eléctrico. Debido a que los imanes se pueden cambiar con muy poco voltaje, el dispositivo tiene una eficiencia energética muy alta. Crédito:Biswas, et al. © 2015 IOP Publishing
(Phys.org) —Los investigadores han propuesto un nuevo tipo de neurona artificial llamada "neurona de espín Straintronic" que podría servir como la unidad básica de las redes neuronales artificiales:sistemas modelados en cerebros humanos que tienen la capacidad de calcular, aprender, y adaptarse. En comparación con diseños anteriores, la nueva neurona artificial es potencialmente más eficiente energéticamente en órdenes de magnitud, más robusto contra la degradación térmica, y dispara a un ritmo más rápido.
Los investigadores, Ayan K. Biswas, Profesor Jayasimha Atulasimha, y el profesor Supriyo Bandyopadhyay de la Virginia Commonwealth University en Richmond, han publicado un artículo sobre la neurona de espín straintronic en un número reciente de Nanotecnología .
Como explican los científicos, Encontrar una forma eficaz de imitar neuronas reales es fundamental para aprovechar todo el potencial de las redes neuronales artificiales. sin embargo, esta tarea ha resultado difícil.
"La mayoría de las computadoras son de naturaleza digital y procesan información mediante lógica booleana, "Bandyopadhyay dijo Phys.org . "Sin embargo, hay ciertas tareas computacionales que son más adecuadas para la 'computación neuromórfica, ', que se basa en cómo el cerebro humano percibe y procesa la información. Esto inspiró el campo de las redes neuronales artificiales, que hizo un gran progreso en el último siglo, pero finalmente se vio obstaculizado por un estancamiento de hardware. La electrónica utilizada para implementar neuronas artificiales y sinapsis emplean transistores y amplificadores operacionales, que disipan enormes cantidades de energía en forma de calor y consumen grandes cantidades de espacio en un chip. Estos inconvenientes hacen que la gestión térmica en el chip sea extremadamente difícil y que la computación neuromórfica sea menos atractiva de lo que debería ser.
"Afortunadamente, hay otras formas de implementar neuronas, como con dispositivos magnéticos. Se pensaba que los dispositivos magnéticos disiparían mucho menos calor, pero lo que encontramos es que no necesariamente disipan menos calor en todas las circunstancias. La disipación de calor depende de cómo se cambian los dispositivos magnéticos para imitar el funcionamiento de una neurona. Si se cambian con corriente, que es el enfoque habitual, entonces no disipan ni mucho menos calor, y, En algunas circunstancias, incluso puede disipar más calor que los transistores.
"Sin embargo, Existe una forma de cambiar ciertos tipos de imanes con tensión mecánica generada por un voltaje eléctrico. Descubrimos que si los imanes se cambian con ese enfoque, entonces las neuronas magnéticas son de hecho mucho menos disipadoras que sus contrapartes basadas en transistores y sus contrapartes magnéticas conmutadas por corriente. Esta es la 'neurona de espín stratronic, 'y puede proporcionar un impulso al hardware de procesamiento de información neuromórfica ".
Una neurona de espín impulsada por la corriente, mostrado aquí, se basa en imanes como la neurona de espín straintronic. Sin embargo, la neurona de espín impulsada por la corriente es menos eficiente en energía y disipa órdenes de magnitud más de calor que la neurona de espín de straintronic impulsada por voltaje. Crédito:Biswas, et al. © 2015 IOP Publishing
Como explican los investigadores, La neurona de espín Straintronic propuesta se basa en una unión magneto-tunelizada, que es una estructura de tres capas que consta de un nanoimán duro, una capa espaciadora, y un nanomaimán magnetoestrictivo blando colocado encima de una película piezoeléctrica. La aplicación de pulsos de voltaje a la neurona genera una tensión en la película piezoeléctrica, que se transfiere parcialmente al nanomaimán magnetoestrictivo blando. Cuando la deformación en el nanomaimán supera un valor umbral, la magnetización gira bruscamente, que cambia la resistencia de la unión magneto-tunelizada entre dos estados estables. El cambio abrupto de voltaje en el dispositivo imita el disparo de las neuronas.
"La extraordinaria eficiencia energética de la neurona de espín straintronic se debe al hecho de que se necesita muy poco voltaje para cambiar la magnetización de un nanomaimán magnetoestrictivo blando acoplado elásticamente a una película piezoeléctrica, un sistema conocido como 'multiferroico de dos fases', como siempre que el nanoimán magnetoestrictivo esté hecho de una clase especial de materiales que tengan una magnetoestricción muy alta, como Terfenol-D, "explicaron los investigadores.
Además de ser más eficientes energéticamente, la neurona de espín de la tensión también es mucho más resistente al ruido térmico que las neuronas de espín impulsadas por la corriente. A temperaturas superiores a 0 K, el ruido térmico crea un par aleatorio adicional en la magnetización de cualquier nanoimán, lo que aumenta la probabilidad de que la neurona se dispare antes de alcanzar el voltaje umbral o no se dispare después de alcanzar el voltaje umbral.
Este efecto deletéreo se puede combatir aumentando la corriente umbral para disparar (en el caso de neuronas de espín impulsadas por corriente) o el voltaje umbral para disparar (en el caso de neuronas de espín straintronic impulsadas por voltaje), pero esto también aumentará la disipación de energía. Aquí, Los investigadores demostraron que la compensación entre la eficiencia energética y la confiabilidad favorece de manera abrumadora a la neurona de espín straintronic sobre las neuronas de espín impulsadas por la corriente, que se estima que disipan varios órdenes de magnitud más de energía.
Con estas ventajas, Las neuronas de espín Straintronic podrían tener una variedad de aplicaciones en la computación neuronal.
"Lo que hemos estudiado es un perceptrón, que es un modelo matemático de la neurona artificial, "Atulasimha dijo." Hay muchas aplicaciones posibles de esto en la computación neuronal. Un área que nos interesa es la plasticidad dependiente del tiempo de picos, que es una forma de aprendizaje hebbiano. Se cree ampliamente que subyace al aprendizaje y al almacenamiento de información en el cerebro, y hay una gran cantidad de literatura que trata sobre esto. Las neuronas de espín Straintronic son disparadas por impulsos de voltaje, y existen vías claras para adaptarlos al modelo de plasticidad dependiente de la sincronización de los picos. También nos interesa el reconocimiento de personajes, que emplea redes de alimentación directa y compresión de imágenes. Eso no excluye nada más. Dondequiera que la disipación de calor sea un spoiler, la neurona de espín del Straintronic puede ofrecer una solución ".
Los próximos pasos para los investigadores implicarán la fabricación de dispositivos físicos.
"La prueba del pudín está siempre en comer, "Dijo Biswas." Tarde o temprano, este dispositivo deberá demostrarse experimentalmente. Nuestro grupo ha demostrado experimentalmente la conmutación de la magnetización de un imán con tensión en muchos sistemas diferentes y nos esforzaremos por demostrar la neurona de espín straintronic en el futuro ".
© 2015 Phys.org