Naukowcy zbudowali elektroniczne synapsy i w końcu poznali jak działają

Sztuczna synapsa, która może się uczyć i mieści się w układzie scalonym? To odkrycie może zmienić sieci neuronowe i przybliżyć nas do zbudowania sztucznego mózgu.

Badacze od dawna starają się stworzyć cyfrowy ekwiwalent ludzkiego mózgu, by zbudować inteligentne, samouczące się maszyny. Jednym z podejść do tego zagadnienia są sieci neuronowe, które sprawdzają się w rozpoznawaniu zdjęć czy tłumaczeniu tekstów. To właśnie z nich korzystamy na stronach Google’a czy Facebooka. Algorytmy działają szybko, ale potrzebują superkomputerów i dużych ilości energii. Mogą to zmienić sztuczne synapsy i stworzone za ich pomocą sieci neuronów.

Artystyczna wizja sztucznej synapsy (zdjęcie; Sören Boyn / CNRS/Thales physics joint research unit)

Synapsy tworzą połączenia pomiędzy neuronami i odpowiadają w naszym mózgu za niemal każą jego aktywność. Z neurologicznego punktu widzenia uczenie się to tworzenie w mózgu nowych połączeń między komórkami – a za owe połączenia odpowiadają właśnie synapsy.

Już kilka lat temu naukowcy zainspirowali się tymi mechanizmami i stworzyli sztuczną synapsę, wykorzystując w tym celu memrystor – czwarty obok rezystora, kondensatora i cewki bierny element elektroniczny. Idea pracy memrystora polega na tym, że jego oporność zmienia się w zależności od natężenia przepływającego przez niego w przeszłości prądu.  W przeciwieństwie jednak do np. warystora, memrystor zapamiętuje rezystancję (stąd pochodzi zresztą jego nazwa). Ta cecha sprawia, że może on zachowywać się jak jednobitowa komórka pamięci nieulotnej. Problem w tym, że jak na razie ten element elektroniczny nie jest dostępny na rynku i funkcjonuje tylko w laboratoriach.

Synapsa (po lewej) i jej elektroniczny model po prawej. (zdjęcie: Boyn, S. et al. Learning through ferroelectric domain dynamics in solid-state synapses )

Francuscy naukowcy z CNRS Thales, Universities of Bordeaux, Paris-Sud i Evry w swoim eksperymencie stworzyli memrystor z cienkiej ferroelektrycznej warstwy wciśniętej jak w kanapce pomiędzy dwie elektrody. Jej rezystancja mogła być zmieniana poprzez impulsy napięciowe podobnie jak to ma miejsce w przypadku neuronów (STDP: Spike timing dependent plasticity – plastyczność synaptyczna zależna od opóźniania impulsów). Rezystancja memrystora będzie tym mniejsza, im silniejsze będzie połączenie synaptyczne i na odwrót. Taka możliwość adaptacji oznacza, że sztuczne synapsy mogą się samodzielnie “uczyć”.

W wynikach badań opublikowanych w Nature Communications jednak nie to jest najważniejsze. Sztuczne synapsy i memrystory były już bowiem obiektem zainteresowania wielu innych prac naukowych. Problem w tym, że jak do tej pory nikomu nie udało się opisać precyzyjnie związku pomiędzy STDP a jego elektronicznym odpowiednikiem. Udało się po raz pierwszy dopiero zespołowi kierowanemu przez Vincenta Garcie (Unité mixte de physique CNRS, Thales). Badacze stworzyli fizyczny model, wyjaśniający jak przebiega proces uczenia się z wykorzystaniem elektronicznych synaps.

Sztuczna sieć neuronów symulowanych impulsami (a); proces uczenia się (b) (zdjęcie: Boyn, S. et al. Learning through ferroelectric domain dynamics in solid-state synapses)

W eksperymencie wykorzystano matrycę synaps o wielkości 9×5 zbudowaną z memrystorów. Sztuczna sieć neuronów była w stanie nauczyć się rozpoznawania trzech zadanych wzorów. Kiedy obrazy były pozbawione szumów skuteczność wynosiła 100%. Zwiększenie przekłamań do najwyższego poziomu powodowało spadek skuteczności rozpoznawania do 80%.
Poznanie tego procesu to krok w stronę stworzenia bardziej złożonych systemów, składających się z wielu grup sztucznych neuronów połączonych ze sobą memrystorami.

Ciekawostka: badania są efektem prac nad ultranowoczesną kamerą

Jak już wcześniej wspomniałem, sieci neuronowe świetnie sprawdzają się w rozpoznawaniu różnego rodzaju wzorów również i tych wizualnych. Prezentowane odkrycie ma zostać użyte do skonstruowania ULPEC (Ultra-Low Power Event-Based Camera), czyli wizualnego systemu rozpoznawania zdarzeń w czasie rzeczywistym, który będzie wykorzystywany w pojazdach autonomicznych. By zapewnić maksimum bezpieczeństwa ULPEC musi działać z minimalnymi opóźnieniami i minimalnym zużyciem energii elektrycznej potrzebnej do działania.

Źródło, ilustracje: CNRS, Nature Communications