A CMOS+X Spiking Neuron With On-Chip Machine Learning
Dieses Papier präsentiert ein CMOS+X-Spiking-Neuron-Design, das einen NMOS-Transistor und einen magnetischen Tunnelkontakt (MTJ) kombiniert, welches biologische Neuronenverhaltensweisen intrinsisch repliziert und On-Chip-Analoges maschinelles Lernen ermöglicht, wobei erfolgreich Training und Inferenz bei einer XOR-Aufgabe ohne zusätzliche Steuerungsschaltung demonstriert wurde.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einen superschlauen Computer zu bauen, der in Ihre Hosentasche passt, mit einer einzigen Batterie betrieben wird und in der Lage ist, in Echtzeit neue Tricks zu lernen. Die heutigen Computer sind wie riesige, energiehungrige Bibliotheken, in denen jedes einzelne Buch immer wieder gelesen und erneut gelesen werden muss, um eine einzige Tatsache zu finden. Sie sind schnell, aber sie verbrauchen viel Strom und nehmen viel Platz ein. Wissenschaftler suchen nach einem anderen Weg: einem Computer, der eher wie ein menschliches Gehirn funktioniert. Anstatt ständig Bücher zu lesen, wartet ein Gehirn auf ein Signal – einen „Spike“ (einen Impuls) – und arbeitet nur dann, wenn etwas Interessantes passiert. Dies wird als „Spiking Neural Network“ (ein spikendes neuronales Netz) bezeichnet. Es ist wie eine Stadt, in der die Lichter nur dann angehen, wenn jemand vorbeiläuft, was Strom spart. Aber es ist schwierig, einen gehirnähnlichen Chip aus dem Standard-Silizium zu bauen, das wir für Handys und Laptops verwenden. Die Standardteile sind großartig in der Mathematik, aber sie sind nicht besonders gut darin, die chaotische, biologische Art und Weise nachzuahmen, wie Neuronen feuern. Daher fragen Forscher: Können wir unsere Standard-Computerteile mit einigen neuen, exotischen Materialien mischen, um einen Chip zu erschaffen, der wie ein Gehirn denkt?
In dieser Arbeit untersucht ein Forscherteam eine clevere Lösung namens „CMOS+X“. Betrachten Sie „CMOS“ als die Standard-, zuverlässigen Lego-Steine, die wir für all unsere derzeitige Elektronik verwenden. Das „X“ ist ein spezielles, neues Teil, das sie an diese Steine stecken wollen, um ihnen gehirnähnliche Fähigkeiten zu verleihen. In dieser spezifischen Studie ist das „X“ ein winziger magnetischer Schalter, ein sogenannter Magnetic Tunnel Junction (MTJ). Dies sind dieselben Arten von Schaltern, die in einigen modernen Speicherchips verwendet werden, aber die Forscher nutzen sie auf eine neue Weise. Sie koppeln diesen magnetischen Schalter mit einem einzigen Standard-Transistor (einem winzigen elektronischen Ventil), um ein brandneues künstliches Neuron zu erschaffen. Die große Frage, die sie stellen, lautet: Kann dieses einfache Paar von Teilen, das zusammenarbeitet, tatsächlich wie ein biologisches Neuron agieren? Kann es auf ein Signal warten, entscheiden, ob es stark genug ist, und dann einen „Spike“ (einen Impuls) „feuern“? Und noch wichtiger: Kann ein ganzes Netzwerk dieser Dinge ein schwieriges Rätsel lösen, indem es einfach seine eigenen Fehler beobachtet?
Die Forscher bauten eine virtuelle Version dieses Systems mit einem populären Computerprogramm namens LTspice, das wie ein Simulator für elektronische Schaltkreise ist. Sie haben für diesen speziellen Test keinen physischen Chip in einem Labor gebaut; stattdlich erstellten sie ein hochdetailliertes digitales Modell, um zu sehen, ob die Physik funktionieren würde. Ihr Hauptergebnis ist, dass dieses „NMOS+MTJ“-Paar tatsächlich wie ein biologisches Neuron verhält. Wenn sie ein Spannungssignal in das System einspeisten, drehte und verschob sich der magnetische Teil im Inneren und erzeugte einen scharfen „Spike“ in der Ausgangsspannung, genau wie ein echtes Neuron feuert. Dies geschah ohne komplexe zusätzliche Verkabelung oder digitale Computer, die es anleiteten; das Verhalten ergab sich natürlich aus der Physik der magnetischen Materialien.
Die Arbeit zeigt, dass diese künstlichen Neuronen alle coolen Dinge tun können, die echte Neuronen auch tun. Sie besitzen eine „Schwelle“ (Threshold), was bedeutet, dass sie schwache Flüstertöne ignorieren und erst dann „schreien“ (spiken), wenn das Signal laut genug ist. Sie besitzen eine „Latenz“ (Latency), wobei ein stärkeres Signal sie schneller feuern lässt und ein schwächeres Signal sie etwas länger warten lässt. Sie besitzen sogar eine „Refraktärzeit“ (Refractory Period), eine kurze Ruhephase nach dem Feuern, in der sie nicht sofort wieder feuern können, genau wie eine echte Gehirnzelle einen Moment braucht, um sich aufzuladen. Sie können auch Signale „integrieren“, indem sie mehrere kleine Stöße über die Zeit hinweg aufsummieren, bis sie schließlich den Punkt des Feuerns erreichen.
Das Team verband diese Neuronen dann zu einem kleinen Netzwerk, indem es sie mit „Synapsen“ verband (die sie als einstellbare Verstärker modellierten). Sie brachten dieses Netzwerk bei, das XOR-Problem zu lösen, ein klassisches Logikrätsel, das für einfache Einzelschicht-Computer zu schwierig, aber für ein Gehirn einfach ist. Das Netzwerk lernte, indem es die Stärke der Verbindungen zwischen den Neuronen basierend auf einer Regel namens „Gradient Descent“ (Gradientenabstieg) anpasste. In der Simulation versuchte das Netzwerk, das Rätsel zu lösen, sah, wie falsch sein Timing war, und passte dann die Verbindungen an, um der richtigen Antwort näher zu kommen. Nach etwa 16 Runden des Versuchens und Korrigierens löste das Netzwerk das Muster erfolgreich. Die Ausgangs-Spikes stimmten perfekt mit den Zielzeiten überein, was bewies, dass das System eine komplexe, nicht-lineare Aufgabe vollständig innerhalb der analogen Schaltkreis-Simulation lernen konnte.
Die Autoren weisen vorsichtig darauf hin, dass dies eine Proof-of-Concept-Simulation ist. Sie haben noch keinen physischen Chip gebaut, der dies tut, und sie haben auch noch nicht getestet, wie das System mit realen Unvollkommenheiten wie Hitze oder Fertigungsfehlern umgehen würde. Die Simulation legt jedoch nahe, dass wir diese Schaltkreise unter Verwendung von Standard-Fertigungsprozessen bauen könnten (da die magnetischen Teile bereits in Speicherchips verwendet werden), könnten wir einen neuen Typ von Computerchip erschaffen. Dieser Chip wäre in der Lage, Informationen direkt dort zu lernen und zu verarbeiten, wo die Daten liegen, und dabei sehr wenig Energie zu verbrauchen, was ein Wendepunkt für intelligente Geräte sein könnte, die lange Zeit mit Batterien betrieben werden müssen. Die Studie öffnet die Tür zu einer Zukunft, in der unsere Elektronik nicht nur Zahlen berechnet, sondern tatsächlich auf die gleiche rhythmische, durch Spikes getriebene Weise „denkt“ wie unser Gehirn.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.