İçerikler
ETH Zürih, Zürih Üniversitesi ve Empa’dan araştırmacılar, öncekilerden daha geniş bir uygulama yelpazesinde kullanılabilecek bir elektronik bileşen için yeni bir malzeme geliştirdiler. Bu tür bileşenler, insan beynini taklit eden ve makine öğrenimi görevlerini yerine getirmede daha verimli olan elektronik devrelerin oluşturulmasına yardımcı olacaktır.
Bilgisayarlarla karşılaştırıldığında, insan beyni inanılmaz derecede enerji verimlidir. Bu nedenle bilim adamları, yenilikçi bilgi işlem teknolojileri tasarlamada ilham almak için beynin ve birbirine bağlı nöronlarının nasıl işlev gördüğünden yararlanıyorlar. Beyinden ilham alan bu bilgi işlem sistemlerinin, geleneksel olanlardan daha fazla enerji verimli olacağını ve makine öğrenimi görevlerini yerine getirmede daha iyi olacağını öngörüyorlar.
Beyindeki hem veri depolamadan hem de veri işlemeden sorumlu nöronlar gibi, bilim adamları da depolama ve işlemeyi memristör olarak bilinen tek bir elektronik bileşen tipinde birleştirmek istiyorlar. Umutları, bunun daha fazla verimlilik elde edilmesine yardımcı olacağıdır, çünkü geleneksel bilgisayarların yaptığı gibi işlemci ile depolama arasında veri taşımak, makine öğrenimi uygulamalarında yüksek enerji tüketiminin ana nedenidir.
ETH Zürih, Zürih Üniversitesi ve Empa’daki araştırmacılar, mevcut memristörlerden çok daha geniş bir uygulama yelpazesinde kullanılabilecek bir memristör için yenilikçi bir konsept geliştirdiler. ETH postdoc Rohit John, “Memristörler için farklı çalışma modları vardır ve tüm bu modları bir yapay sinir ağının mimarisine bağlı olarak kullanabilmek avantajlıdır” diye açıklıyor. “Fakat önceki geleneksel memristörlerin bu modlardan biri için önceden yapılandırılması gerekiyordu.” Zürih’teki araştırmacıların yeni memristörleri artık kullanımdayken iki çalışma modu arasında kolayca geçiş yapabiliyor: sinyalin zamanla zayıflayıp öldüğü bir mod (uçucu mod) ve sinyalin sabit kaldığı (geçici olmayan mod) modu).
Tıpkı beyindeki gibi
John, “Bu iki çalışma modu insan beyninde de bulunur” diyor. Bir yandan sinapslardaki uyaranlar, biyokimyasal nörotransmitterlerle nörondan nörona iletilir. Bu uyaranlar güçlü bir şekilde başlar ve daha sonra yavaş yavaş zayıflar. Öte yandan, öğrenirken beyinde diğer nöronlarla yeni sinaptik bağlantılar oluşur. Bu bağlantılar daha uzun ömürlüdür.
ETH Profesörü Maksym Kovalenko başkanlığındaki grupta doktora sonrası çalışan John, 2020 yılında seçkin doktora sonrası araştırmacılar için bir ETH bursu aldı. John bu araştırmayı Profesör Giacomo Indiveri’nin Nöroinformatik Enstitüsü’ndeki grubunda doktora öğrencisi olan Yiğit Demirağ ile birlikte yürüttü. Zürih Üniversitesi ve ETH Zürih.
Güneş pillerinden bilinen yarı iletken
Araştırmacıların geliştirdiği memristörler, öncelikle fotovoltaik hücrelerde kullanımından bilinen yarı iletken bir malzeme olan halojenür perovskite nanokristallerden yapılmıştır. Kovalenko, “Bu yeni memristörlerdeki ‘sinir iletimi’, akımın akabileceği perovskit yapıya nüfuz eden bir nanofilament oluşturmak için gümüş iyonlarının bir elektrottan geçici veya kalıcı olarak bir araya getirilmesiyle sağlanıyor” diye açıklıyor.
Bu süreç, gümüş iyon filamanını ya ince yapacak şekilde düzenlenebilir, böylece yavaş yavaş tek tek gümüş iyonlarına (uçucu mod) veya kalın ve kalıcı (uçucu olmayan mod) ayrılır. Bu, memristörde iletilen akımın yoğunluğu tarafından kontrol edilir: zayıf bir akım uygulamak uçucu modu etkinleştirirken, güçlü bir akım uçucu olmayan modu etkinleştirir.
Nöroinformatikçiler için yeni araç seti
Demirağ, “Bildiğimiz kadarıyla bu, isteğe bağlı olarak uçucu ve uçucu olmayan modlar arasında güvenilir bir şekilde değiştirilebilen ilk memristör” diyor. Bu, gelecekte bilgisayar çiplerinin her iki modu da etkinleştiren belleklerle üretilebileceği anlamına geliyor. Bu önemli bir ilerlemedir, çünkü birkaç farklı tipte memristörü tek bir çip üzerinde birleştirmek genellikle mümkün değildir.
Nature Communicationscall_made dergisinde yayınladıkları çalışma kapsamında araştırmacılar, bu yeni memristörlerden 25’ini test ederek 20 bin ölçüm gerçekleştirdi. Bu şekilde, karmaşık bir ağ üzerinde bir hesaplama problemini simüle edebildiler. Sorun, bir dizi farklı nöron sivri uçlarını önceden tanımlanmış dört modelden biri olarak sınıflandırmayı içeriyordu.
Bu memristörler bilgisayar teknolojisinde kullanılmadan önce daha fazla optimizasyondan geçmeleri gerekecektir. Bununla birlikte, Indiveri’nin belirttiği gibi, bu tür bileşenler aynı zamanda nöroinformatik araştırmaları için de önemlidir: “Bu bileşenler, gerçek nöronlara öncekilerden daha yakındır. Sonuç olarak, araştırmacıların nöroinformatikteki hipotezleri daha iyi test etmelerine ve umarım daha iyi bir anlayış kazanmalarına yardımcı olurlar. insanlarda ve hayvanlarda gerçek nöronal devrelerin hesaplama ilkeleri.”
