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

Computers van tegenwoordig zijn gebouwd op een fundament dat geheugen scheidt van het denken. Informatie wordt op één plek opgeslagen en op een andere plek verwerkt, waardoor data constant heen en weer moet reizen. Deze scheiding creëert een flessenhals, wat berekeningen vertraagt en energie verspilt. Om dit te overwinnen, ontwikkelen wetenschappers een nieuw soort hardware die het menselijk brein nabootst, waarbij geheugen en verwerking op dezelfde plek plaatsvinden. Het sleutelcomponent in deze kunstmatige hersenen is de synaps, het verbindingspunt tussen neuronen. In een biologisch brein worden deze verbindingen sterker of zwakker naarmate we leren, een proces dat plasticiteit wordt genoemd. Voor kunstmatige hardware om effectief te kunnen leren, moet het in staat zijn om deze verbindingen soepel en voorspelbaar aan te passen. De meeste elektronische apparaten die ontworpen zijn om als kunstmatige synaps te fungeren, hebben echter een vaste persoonlijkheid; zodra ze zijn gebouwd, staat de manier waarop ze hun sterkte veranderen vast, ongeacht de taak die ze proberen op te lossen.

Een team van onderzoekers heeft een manier ontdekt om deze beperking te doorbreken met behulp van een specifiek type elektronische schakelaar gemaakt van tantaaloxide, een materiaal dat veel in deze apparaten wordt gebruikt. Door kleine deeltjes zilver aan het apparaat toe te voegen, ontdekten ze dat ze de manier waarop de schakelaar zich gedraagt konden veranderen, simpelweg door de sterkte van het elektrische signaal dat ze erdoorheen sturen aan te passen. In een standaardapparaat verandert de verbindingssterkte snel en stopt daarna, zoals een lichtschakelaar die omgaat en aan blijft staan. In het met zilver gemodificeerde apparaat ontdekten de onderzoekers dat ze konden kiezen tussen drie zeer verschillende gedragingen, enkel door aan een knop te draaien aan de spanning. Ze konden de verbinding zo laten verzwakken dat dit langzaam over vele stappen gebeurde, de verbinding abrupt in slechts een paar momenten liet veranderen, of de verandering over een zeer lange periode liet verspreiden. Dit betekent dat een enkel fysiek apparaat geprogrammeerd kan worden om als verschillende soorten leerlingen te fungeren, waarbij het zijn interne dynamiek aanpast aan de behoeften van het probleem dat het oplost.

De onderzoekers bouwden hun apparaten door een dunne laag tantaaloxide op een siliciumchip aan te brengen en vervolgens een laag zilver-nanodeeltjes bovenop te plaatsen voordat ze het afdichtten met een metaalelektrode. Wanneer ze deze apparaten testten zonder het zilver, gedroegen ze zich als typische elektronische schakelaars: ze veranderden hun weerstand, of de tegenstand tegen de elektrische stroom, in een voorspelbaar, eenrichtingspatroon. Echter, zodra het zilver werd geïntroduceerd, veranderde het gedrag volledig. Het apparaat begon een zeer symmetrische respons te vertonen, wat betekent dat het op een vergelijkbare manier reageerde of de elektrische stroom nu vooruit of achteruit stroomde. Belangrijker nog, wanneer de onderzoekers een reeks elektrische pulsen toepasten om de verbinding te verzwakken, hing het resultaat volledig af van de grootte van de puls.

Bij lagere pulssterktes verzwakte het apparaat geleidelijk en deed het ongeveer vijftig pulsen nodig om zijn eindtoestand te bereiken. Wanneer ze de pulssterkte iets verhoogden, reageerde het apparaat met verbazingwekkende snelheid en verloor het de meeste van zijn sterkte in slechts vier of vijf pulsen. Maar wanneer ze de spanning nog verder verhoogden, keerde het gedrag weer om. In plaats van sneller te worden, vertraagde het apparaat en verspreidde de verandering over meer dan honderd pulsen. Deze niet-lineaire respons was de meest verrassende bevinding. Normaal gesproken maakt het harder duwen aan een systeem het sneller reageren. Hier maakte het harder duwen het juist langzamer, en het precies juiste duwen maakte het het snelst. De onderzoekers bevestigden dat dit geen toevalstreffer was van een enkel defect apparaat, maar een consistent kenmerk dat in meerdere monsters werd gevonden, wat wijst op een fundamentele verschuiving in hoe het materiaal werkt.

Om te begrijpen wat er binnenin gebeurde, bekeken het team de microscopische structuur van het apparaat. Ze ontdekten dat de zilverdeeltjes geen solide draad of een continu metalen pad vormden, wat een veelvoorkomende manier is waarop deze apparaten werken. In plaats daarvan leek het zilver te interageren met de zuurstofvacatures, wat minuscule ontbrekende plekken in de kristalstructuur van de oxide zijn die elektriciteit doorlaten. De onderzoekers stellen voor dat het zilver fungeert als een traag bewegende interne staat die invloed heeft op hoe snel deze zuurstofvacatures kunnen bewegen. Wanneer het elektrische signaal zwak is, heeft het zilver weinig effect en bewegen de vacatures langzaam op hun eigen manier. Wanneer het signaal precies goed is, blijft het zilver rustig, waardoor de vacures kunnen haasten en een snelle verandering veroorzaken. Wanneer het signal zeer sterk is, wordt het zilver actief en staat het in de weg, waardoor het de vacures vertraagt en de verandering over een langere tijd verspreidt. Deze interactie tussen de snel bewegende vacures en het tragere zilver creëert de drie verschillende gedragingen.

De werkelijke waarde van deze ontdekking werd getest door te kijken hoe deze verschillende gedragingen de bekwaamheid van een computer om te leren beïnvloedden. De onderzoekers simuleerden een eenvoudig kunstmatig brein en leerden het afbeeldingen van handgeschreven cijfers en kledingartikelen te herkennen. Ze gebruikten de drie verschillende depressiepatronen die ze in het laboratorium hadden waargenomen als de regels voor hoe de verbindingen van het brein zouden moeten veranderen. De resultaten waren duidelijk. Wanneer het brein de langzame, geleidelijke verandering gebruikte, leerde het het beste en herkende het ongeveer 88 procent van de handgeschreven cijfers correct. Ook het middelste, sigmoïdale patroon van geleidelijke verandering werkte goed en bereikte een nauwkeurigheid van ongeveer 85 procent. Echter, wanneer het brein het abrupte, snel veranderende patroon gebruikte, stortte de prestatie in tot ongeveer 50 procent, wat niet beter is dan willekeurig gokken. Bovendien produceerde het snel veranderende patroon inconsistente resultaten, waarbij het brein telkens anders presteerde tijdens de training.

Dit experiment toonde aan dat de snelheid en de vorm van de verandering net zo belangrijk zijn als het uiteindelijke resultaat. Een verbinding die te snel verandert, slaat de noodzakelijke tussenstappen over, waardoor het moeilijk wordt voor het brein om zijn kennis te verfijnen. Een verbinding die langzaam verandert, staat een soepele, gestage aanpassing toe, wat leidt tot beter leren. De studie laat zien dat door de materialen binnen een apparaat te manipuleren, wetenschappers de dynamiek van het leren tot een programmeerbaar kenmerk kunnen maken. In plaats van vast te zitten aan één enkele, vaste manier van leren, kan een kunstmatige synaps worden afgesteld om geleidelijk, abrupt of verdeeld te zijn, afhankelijk van wat de taak vereist. Dit voegt een nieuwe laag van flexibiliteit toe aan neuromorfische computing, en suggereert dat de toekomst van artificiële intelligentie-hardware niet alleen ligt in het kleiner of sneller maken van apparaten, maar in het maakbaar aanpasbaarder maken ervan.