Engineering Synaptic Dynamics in Ag-Modified TaO$_x$ Memristive Devices

Computer basieren heute auf einem Fundament, das das Gedächtnis vom Denken trennt. Informationen werden an einem Ort gespeichert und an einem anderen verarbeitet, was dazu führt, dass Daten ständig hin und her reisen müssen. Diese Trennung erzeugt einen Flaschenhals, der Berechnungen verlangsamt und Energie verschwendet. Um dies zu überwinden, entwickeln Wissenschaftler eine neue Art von Hardware, die das menschliche Gehirn nachahmt, bei dem Gedächtnis und Verarbeitung am selben Ort stattfinden. Die Schlüsselkomponente in diesen künstlichen Gehirnen ist die Synapse, der Verbindungspunkt zwischen Neuronen. In einem biologischen Gehirn verstärken oder schwächen sich diese Verbindungen im Laufe der Zeit, während wir lernen – ein Prozess, der als Plastizität bekannt ist. Damit künstliche Hardware effektiv lernen kann, muss sie die Fähigkeit besitzen, ihre Verbindungen reibungslos und vorhersehbar anzupassen. Die meisten elektronischen Geräte, die als künstliche Synapsen fungieren sollen, haben jedoch eine feste Persönlichkeit; Sobald sie gebaut sind, ist die Art und Weise, wie sie ihre Stärke ändern, in Stein gemeißelt, unabhängig von der Aufgabe, die sie zu lösen versuchen.

Ein Forschungsteam hat einen Weg entdeckt, diese Einschränkung zu durchbrechen, indem es einen speziellen Typus eines elektronischen Schalters aus Tantaloxid verwendet, einem Material, das häufig in diesen Geräten eingesetzt wird. Durch das Hinzufügen winziger Silberpartikel zu dem Gerät fanden sie heraus, dass sie das Verhalten des Schalters ändern können, indem sie einfach die Stärke des elektrischen Signals anpassen, das sie hindurchschicken. In einem Standardgerät ändert sich die Verbindungsstärke schnell und stoppt dann, wie ein Lichtschalter, der umgelegt wird und dann an bleibt. Im silbermodifizierten Gerät fanden die Forscher heraus, dass sie zwischen drei sehr unterschiedlichen Verhaltensweisen wählen konnten, indem sie lediglich an einem Regler für die Spannung drehten. Sie konnten die Verbindung so steuern, dass sie sich langsam über viele Schritte hinweg abschwächte, sich in nur wenigen Momenten abrupt änderte oder ihre Veränderung über einen sehr langen Zeitraum verteilte. Dies bedeutet, dass ein einzelnes physisches Gerät so programmiert werden kann, dass es als verschiedene Arten von Lernenden agiert und seine internen Dynamiken an die Bedürfnisse des jeweiligen Problems anpasst.

Die Forscher fertigten ihre Geräte an, indem sie einen dünnen Film aus Tantaloxid auf einen Siliziumchip aufdampften, dann eine Schicht aus Silbernanopartikeln darauf platzierten und es mit einer Metallelektrode versiegelten. Als sie diese Geräte ohne das Silber testeten, verhielten sie sich wie typische elektronische Schalter: Sie änderten ihren Widerstand, also ihren Widerstand gegen den elektrischen Fluss, in einem vorhersehbaren, einseitigen Muster. Sobald das Silber jedoch eingeführt wurde, änderte sich das Verhalten vollständig. Das Gerät begann eine hochgradig symmetrische Reaktion zu zeigen, was bedeutet, dass es ähnlich reagierte, egal ob der elektrische Strom vorwärts oder rückwärts floss.ت Wichtiger noch: Wenn die Forscher eine Serie von elektrischen Impulsen anwandten, um die Verbindung zu schwächen, hing das Ergebnis vollständig von der Größe des Impulses ab.

Bei niedrigeren Impulsstärken schwächte sich das Gerät allmählich ab und benötigte etwa fünfzig Impulse, um seinen Endzustand zu erreichen. Wenn sie die Impulsstärke leicht erhöhten, reagierte das Gerät mit erstaunlicher Geschwindigkeit und verlor den Großteil seiner Stärke in nur vier oder fünf Impulsen. Doch wenn sie die Spannung noch weiter erhöhten, kehrte sich das Verhalten wieder um. Anstatt schneller zu werden, wurde das Gerät langsamer und verteilte seine Veränderung über mehr als einhundert Impulse. Diese nicht-lineare Reaktion war die überraschendste Erkenntung. Normalerweise führt ein stärkeres Drücken eines Systems zu einer schnelleren Reaktion. Hier bewirkte ein stärkeres Drücken jedoch eine langsamere Reaktion, und genau das Richtige zu treffen, ließ es am schnellsten reagieren. Die Forscher bestätigten, dass dies kein Zufall eines einzelnen defekten Geräts war, sondern ein konsistentes Merkmal, das in mehreren Proben gefunden wurde, was auf eine grundlegende Änderung der Funktionsweise des Materials hindeutet.

Um zu verstehen, was im Inneren geschah, untersuchte das Team die mikroskopische Struktur des Geräts. Sie fanden heraus, dass die Silberpartikel keinen soliden Draht oder einen kontinuierlichen Metallpfad bildeten, was eine übliche Art ist, wie diese Geräte funktionieren. Stattdessen schien das Silber mit den Sauerstofffehlstellen zu interagieren, also winzigen fehlenden Stellen in der Kristallstruktur des Oxids, die den elektrischen Fluss ermöglichen. Die Forscher schlagen vor, dass das Silber wie ein sich langsam bewegender interner Zustand wirkt, der beeinflusst, wie schnell sich diese Sauerstofffehlstellen bewegen können. Wenn das elektrische Signal schwach ist, hat das Silber kaum Einfluss und die Fehlstellen bewegen sich langsam von selbst. Wenn das Signal genau richtig ist, bleibt das Silber ruhig, was den Fehlstellen erlaubt, herbeizustürmen und eine schnelle Veränderung zu bewirken. Wenn das Signal sehr stark ist, wird das Silber aktiv und steht den Fehlstellen im Weg, wodurch die Bewegung verlangsamt und die Veränderung über einen längeren Zeitraum verteilt wird. Diese Wechselwirkung zwischen den schnell beweglichen Fehlstellen und dem langsameren Silber erzeugt die drei unterschiedlichen Verhaltensweisen.

Der wahre Wert dieser Entdeckung wurde durch Tests ermittelt, die zeigten, wie diese unterschiedlichen Verhaltensweisen die Fähigkeit eines Computers zum Lernen beeinflussen. Die Forscher simulierten ein einfaches künstliches Gehirn und brachten ihm bei, Bilder von handgeschriebenen Zahlen und Kleidungsstücken zu erkennen. Sie verwendeten die drei im Labor beobachteten Depressionsmuster als Regeln dafür, wie sich die Verbindungen des Gehirns ändern sollten. Die Ergebnisse waren eindeutig. Wenn das Gehirn die langsame, graduelle Veränderung nutzte, lernte es am besten und identifizierte korrekt etwa 88 Prozent der handgeschriebenen Zahlen. Das mittlere, sigmoide Muster funktionierte ebenfalls gut und erreichte etwa 85 Prozent Genauigkeit. Wenn das Gehirn jedoch das abrupte, schnell wechselnde Muster nutzte, brach die Leistung auf etwa 50 Prozent ein, was nicht besser als bloßes Raten ist. Zudem erzeugte das schnell wechselnde Muster inkonsistente Ergebnisse, wobei das Gehirn bei jedem Training unterschiedlich performte.

Dieses Experiment zeigte, dass die Geschwindigkeit und die Form der Veränderung genauso wichtig sind wie das Endergebnis. Eine Verbindung, die sich zu schnell ändert, überspringt die notwendigen Zwischenschritte, was es dem Gehirn erschwert, sein Wissen fein abzustimmen. Eine Verbindung, die sich langsamer ändert, ermöglicht eine sanfte, stetige Anpassung, was zu besserem Lernen führt. Die Studie zeigt, dass Wissenschaftler durch die Konstruktion der Materialien innerhalb eines Geräts die Dynamik des Lernens zu einer programmierbaren Funktion machen können. Anstatt auf eine einzige, feste Art des Lernens festgelegt zu sein, kann eine künstliche Synapse so abgestimmt werden, dass sie je nach Aufgabe graduell, abrupt oder verteilt agiert. Dies fügt der neuromorphen Computertechnik eine neue Ebene der Flexibilität hinzu und deutet darauf an, dass die Zukunft der Hardware für künstliche Intelligenz nicht nur darin liegen könnte, Geräte kleiner oder schneller zu machen, sondern sie anpassungsfähiger zu gestalten.