Ag/Al₂O₃/ITO memristor for honeybee-inspired associative learning, behavioral emulation, and conductance-constrained flower classification

In den stillen Winkeln der natürlichen Welt bietet die Honigbiene eine Meisterklasse im Lernen. Diese Insekten reagieren nicht einfach nur auf ihre Umgebung; sie bauen komplexe Assoziationen zwischen dem, was sie wahrnehmen, und dem, was sie erhalten. Eine Biene lernt, einen bestimmten Duft oder eine Farbe mit einer süßen Belohnung zu verknüpfen, und passt ihr Verhalten basierend auf vergangenen Erfahrungen an. Diese Fähigkeit beruht auf den Synapsen des Gehirns, den winzigen Verbindungsstellen zwischen Nervenzellen, die sich stärken oder abschwächen, während das Tier lernt und sich erinnert. Jahrzehntelang haben Wissenschaftler versucht, elektronische Geräte zu bauen, die diese biologische Flexibilität nachahmen, in der Hoffnung, Computer zu erschaffen, die wie Lebewesen lernen und nicht bloß Zahlen berechnen. Der Schlüssel zu dieser Nachahmung liegt in einer Komponente namens Memristor, einem Typ von elektronischem Schalter, der sich merkt, wie viel Elektrizität durch ihn geflossen ist. Im Gegensatz zu Standard-Schaltern, die einfach nur an oder aus sind, kann ein Memristor in vielen verschiedenen Widerstandszuständen zur Ruhe kommen und sein Verhalten basierend auf seiner Historie ändern, ganz ähnlich wie eine Synapse ihre Stärke basierend auf vergangener Aktivität verändert.

Ein Forschungsteam der Universität Ningbo hat nun demonstriert, dass ein einzelnes, einfaches elektronisches Bauteil mehrere dieser anspruchsvollen biologischen Verhaltensweisen replizieren kann, von grundlegendem Gedächtnis bis hin zu komplexer Entscheidungsfindung. Sie bauten eine winzige Komponente aus Schichten von Silber, Aluminiumoxid und einem leitfähigen Glas, wodurch eine Struktur entstand, die auf elektrische Impulse auf eine Weise reagiert, die dem Lernprozess einer Honigbiene sehr nahekommt. Durch die sorgfältige Steuerung des Stromflusses zeigten die Wissenschaftler, dass dieses Gerät darauf trainiert werden konnte, zwei verschiedene Signale zu assoziieren, eine Lektion zu vergessen und sie dann schneller wieder zu erlernen. Es konnte sogar verschiedene Ebenen der Wachsamkeit imitieren, indem es zwischen Zuständen wechselte, die Schlaf, Schläfrigkeit und Wachsein repräsentieren. Am bedeutendsten war, dass die Forscher bewiesen, dass die durch dieses Gerät erzeugten spezifischen elektrischen Zustände genutzt werden konnten, um ein reales Problem zu lösen: die Identifizierung verschiedener Blumenarten in einem Foto. Das Gerät simulierte nicht nur den Lernprozess; es verrichtete die eigentliche Arbeit eines neuronalen Netzwerks und klassifizierte Bilder mit einer Genauigkeit, die nahezu identisch mit der eines Standard-Computerprogramms war.

Das Gerät selbst ist ein kleiner, vertikaler Stapel aus Materialien, etwa so breit wie ein menschliches Haar. Am Boden sitzt eine Schicht aus leitfähigem Glas, gefolgt von einem dünnen Film aus Aluminiumoxid, und gekrönt wird dies von einer Silberschicht. Als die Forscher eine Spannung auf die obere Silberschicht anlegten, beobachteten sie eine faszinierende physikalische Veränderung. Die Silberatome brachen in Ionen auf, drifteten durch die isolierende Aluminiumoxidschicht und bildeten schließlich eine winzige, leitfähige Brücke oder ein Filament, das die Ober- und Unterseite verband. Dieses Filament wirkt wie ein Draht, der wachsen oder schrumpfen kann, je nachdem, wie viel Strom fließen darf. Wenn der Strom eingeschränkt wird, bleibt das Filament dünn und das Gerät leistet Widerstand gegen die Elektrizität. Wenn der Strom freier fließen kann, wächst das Filament stärker, wodurch es einfacher wird, Elektrizität passieren zu lassen. Dieses physische Wachsen und Schrumpfen der Silberbrücke ist es, was dem Gerät ermöglicht, seine Vergangenheit zu erinnern, da die Größe des Filaments bestimmt, wie das Gerät auf zukünftige Signale reagiert.

Um zu testen, ob dieser einfache Mechanismus das komplexe Lernen einer Biene imitieren kann, wendeten die Forscher eine Serie von elektrischen Pulsen auf das Gerät an. Sie fanden heraus, dass das Gerät dazu gebracht werden konnte, seine Leitfähigkeit schrittweise zu erhöhen, ähnlich wie eine Synapse während des Lernens gestärkt wird, oder sie zu verringern, was das Abschwächen einer Erinnerung nachahmt. Sie beobachteten auch, dass, wenn zwei Pulse kurz hintereinander gesendet wurden, der zweite Puls eine stärkere Reaktion hervorbrachte als der erste – ein Phänomen, das als Paar-Reiz-Faszilitation bekannt ist und in biologischen Gehirnen weit verbreitet ist. Das Gerät hielt diese verschiedenen Zustände über 100 Sekunden lang aufrecht, was zeigte, dass es Informationen für eine bedeutsame Zeitspanne speichern konnte. Durch die Variation der Stärke und des Timings der Pulse konnte das Team das Gerät programmieren, spezifische Verhaltensweisen zu zeigen. Es gelang ihnen, eine Version der Pawlowschen Konditionierung zu rekonstruieren, bei der das Gerät lernte, erst nach der Kopplung mit einem stärkeren Signal auf ein schwaches Signal zu reagieren, genau wie ein Hund lernt, beim Klang einer Glocke zu speicheln, nachdem er mit Futter assoziiert wurde.

Die Forscher gingen noch einen Schritt weiter und demonstrierten, dass das Gerät auch das Auf und Ab von Lernen und Vergessen modellieren kann. Als sie aufhörten, das Gerät zu stimulieren, verblasste die elektrische Reaktion langsam, was den natürlichen Prozess des Vergessens darstellt. Wenn sie jedoch mit den Trainingspulsen wieder begannen, verlernte das Gerät das Verhalten viel schneller als beim ersten Mal, was darauf hindeutet, dass eine Spur der ursprünglichen Erinnerung erhalten geblieben war. Sie kartierten auch verschiedene Ebenen der elektrischen Aktivität auf Zustände des Bewusstseins. Ein sehr schwacher Puls erzeugte eine niedrige Reaktion, die sie einem Zustand des Schlafes zuordneten. Ein moderater Puls erzeugte eine mittlere Reaktion für Schläfrigkeit, und ein starker Puls löste eine hohe Reaktion für Wachsein aus. Dies zeigte, dass eine einzige Gerätearchitektur eine breite Palette von geschichtshängigen Verhaltensweisen erzeugen konnte, indem man einfach das Muster der an das Gerät gesendeten elektrischen Signale änderte, ohne die physische Struktur des Geräts selbst verändern zu müssen.

Schließlich testete das Team, ob diese gelernten elektrischen Zustände für eine praktische Aufgabe genutzt werden könnten: die Identifizierung von Blumen. Sie nahmen ein Standard-Computerprogramm, das darauf ausgelegt war, Bilder von Gänseblümchen, Löwenzahn, Rosen, Sonnenblumen und Tulpen zu erkennen, und ersetzten den letzten Teil des Programms durch die Leitfähigkeitszustände ihres Memristors. Das Programm nutzte die Fähigkeit des Geräts, verschiedene Widerstandswerte zu halten, um die Gewichtungen seines Entscheidungsprozesses darzustellen. Als das System mit einem Datensatz von Blumenbildern getestet wurde, erreichte es eine Genauigkeit von 86,55 Prozent. Dieses Ergebnis lag bemerkenswert nah an der 87,09 prozentigen Genauigkeit, die das Standard-Computerprogramm erreichte, das vollständig in Software läuft. Der geringe Unterschied in der Leistung deutet darauf hin, dass die spezifischen, diskreten elektrischen Zustände, die im physischen Gerät verfügbar sind, ausreichten, um die wesentlichen Informationen für die Aufgabe zu erfassen. Dieser Befund zeigt, dass die physikalischen Eigenschaften des Memristors, die aus seinem Silberfilament resultieren, direkt komplexe Mustererkennung unterstützen können, wodurch die Lücke zwischen der rohen Physik eines Materials und der hochgradigen Intelligenz eines neuronalen Netzwerks geschlossen wird.

Die Arbeit legt nahe, dass der Weg zu effizienterer, gehirnähnlicher Computertechnik möglicherweise nicht darin besteht, Millionen komplexer Komponenten zu bauen, sondern darin, zu verstehen, wie man ein einziges, einfaches Bauteil auf unterschiedliche Weise steuert. Durch die Abstimmung der elektrischen Pulse kann dieselbe Ag/Al₂O₃/ITO-Struktur als Speicherzelle, als Lernagent oder als Klassifikator fungieren. Die Forscher zeigten, dass das Verhalten des Geräts nicht festgeschrieben ist, sondern vollständig von der Historie der Stimulation abhängt, die es erhält. Diese Flexibilität ermöglicht es der Hardware, sich an verschiedene Aufgaben anzupassen, vom Nachahmen des Schlaf-Wach-Zyklus eines Insekts bis hin zum Sortieren visueller Daten. Die Ergebnisse liefern eine konkrete Demonstration dafür, dass die physikalischen Gesetze, die die Bewegung von Silberionen in einem dünnen Film steuern, genutzt werden können, um Aufgaben zu erfüllen, von denen man einst glaubte, sie erforderten komplexe, mehrschichtige biologische Systeme. Während das Feld des neuromorphen Computings voranschreitet, bietet diese Studie ein klares Beispiel dafür, wie einfache Materialien, wenn sie durch die richtigen elektrischen Protokolle geleitet werden, beginnen können, die reichen, adaptiven Verhaltensweisen der Natur zu zeigen.