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

In de stille hoekjes van de natuurlijke wereld biedt de honingbij een masterclass in leren. Deze insecten reageren niet simpelweg op hun omgeving; ze bouwen complexe associaties op tussen wat ze waarnemen en wat ze ontvangen. Een bij leert een specifieke geur of kleur te koppelen aan een zoete beloning, waarbij ze hun gedrag aanpassen op basis van eerdere ervaringen. Dit vermogen rust op de synapsen in het brein, de minuscule verbindingen tussen zenuwcellen die sterker of zwakker worden naarmate het dier leert en onthoudt. Decennialang hebben wetenschappers geprobeerd elektronische apparaten te bouwen die deze biologische flexibiliteit nabootsen, in de hoop computers te creëren die leren als levende wezens in plaats van enkel getallen te berekenen. De sleutel tot deze nabootsing ligt in een component genaamd een memristor, een type elektronische schakelaar die onthoudt hoeveel elektriciteit er doorheen is gegaan. In tegen tegenstelling tot standaard schakelaars die simpelweg aan of uit staan, kan een memristor in veel verschillende weerstandstoestanden tot rust komen, waarbij het gedrag verandert op basis van zijn geschiedenis, net zoals een synaps zijn sterkte verandert op basis van eerdere activiteit.

Een team onderzoekers aan de Ningbo Universiteit heeft nu aangetoond dat een enkel, eenvoudig elektronisch apparaat verscheidene van deze geavanceerde biologische gedragingen kan repliceren, van basisgeheugen tot complexe besluitvorming. Ze bouwden een minuscuul component bestaande uit lagen zilver, aluminiumoxide en een geleidend glas, waardoor een structuur ontstond die reageert op elektrische pulsen op manieren die nauw lijken op het leerproces van een honingbij. Door de stroom van elektriciteit zorgvuldig te controleren, lieten de wetenschappers zien dat dit apparaat getraind kon worden om twee verschillende signalen te associëren, een les te vergeten en deze vervolgens sneller opnieuw te leren. Het kon zelfs verschillende niveaus van alertheid nabootsen, door te schakelen tussen toestanden die slaap, slaperigheid en waakzaamheid vertegenwoordigen. Het meest significant was dat de onderzoekers bewezen dat de specifieke elektrische toestanden die door dit apparaat worden gecreëerd, gebruikt kunnen worden om een echt probleem op te lossen: het identificeren van verschillende soorten bloemen in een foto. Het apparaat simuleerde niet alleen het leerproces; het voerde het eigenlijke werk van een neuraal netwerk uit, waarbij het afbeeldingen classificeerde met een nauwkeurigheid die bijna identiek is aan die van een standaard computerprogramma.

Het apparaat zelf is een kleine, verticale stapel materialen, ongeveer de breedte van een menselijk haar. Onderaan bevindt zich een laag geleidend glas, gevolgd door een dunne film van aluminiumoxide, en afgedekt met een laag zilver. Wanneer de onderzoekers een spanning aan de bovenste zilverlaag aanbrachten, observeerden ze een fascinerende fysieke verandering. De zilveratomen braken uiteen in ionen en dreven door de isolerende aluminiumoxidelayer, om uiteindelijk een minuscule, geleidende brug of filament te vormen die de boven- en onderkant verbond. Deze filament werkt als een draadje dat dikker of dunner kan worden, afhankelijk van hoeveel stroom er doorheen mag stromen. Wanneer de stroom wordt beperkt, blijft de filament dun en biedt het apparaat weerstand tegen elektriciteit. Wanneer de stroom vrijer kan stromen, groeit de filament dikker, waardoor het makkelijker wordt voor elektriciteit om doorheen te gaan. Deze fysieke groei en krimp van de zilverbrug is wat het apparaat in staat stelt zijn verleden te onthouden, aangezien de grootte van de filament bepaalt hoe het apparaat reageert op toekomstige signalen.

Om te testen of dit eenvoudige mechanisme de complexe leerervaring van een bij kon nabootsen, brachten de onderzoekers een reeks elektrische pulsen aan op het apparaat. Ze ontdekten dat het apparaat geleidelijk zijn geleidbaarheid kon verhogen, vergelijkbaar met hoe een synaps sterker wordt tijdens het leren, of kon verlagen, wat het verzwakken van een geheugen nabootst. Ze observeerden ook dat als er twee pulsen kort achter elkaar werden verzonden, de tweede puls een sterkere respons produceerde dan de eerste, een fenomeen dat bekend staat als 'paired-pulse facilitation', wat gebruikelijk is in biologische hersenen. Het apparaat hield deze verschillende toestanden meer dan 100 seconden vast, wat aantoont dat het informatie voor een betekenisvolle tijd kon vasthouden. Door de sterkte en timing van de pulsen te variëren, kon het team het apparaat programmeren om specifieke gedragingen te vertonen. Ze slaagden erin een versie van de Pavloviaanse conditionering te recreëren, waarbij het apparaat leerde te reageren op een zwak signaal nadat het aan een sterker signaal was gekoppeld, net zoals een hond leert te kwijlen bij het geluid van een bel nadat het met voedsel is geassocieerd.

De onderzoekers gingen een stap verder door te demonstreren dat het apparaat ook de eb en vloed van leren en vergeten kon modelleren. Wanneer ze de stimulatie van het apparaat stopten, vervaagde de elektrische respons langzaam, wat het natuurlijke proces van vergeten vertegenwoordigt. Echter, wanneer ze de trainingspulsen opnieuw startten, leerde het apparaat het gedrag veel sneller aan dan de eerste keer, wat suggereert dat een spoor van het oorspronkelijke geheugen aanwezig bleef. Ze brachten ook verschillende niveaus van elektrische activiteit in kaart naar bewustzijnstoestanden. Een zeer zwakke puls produceerde een lage respons, die zij in kaart brachten als een staat van slaap. Een matige puls creëerde een middelmatige respons voor slaperigheid, en een sterke puls triggerde een hoge respons voor waakzaamheid. Dit toonde aan dat een enkele apparaatarchitectuur een breed scala aan geschiedenisafhankelijke gedragingen kon produceren, simpelweg door het patroon van de elektrische signalen die erheen worden gestuurd te veranderen, zonder de fysieke structuur van het apparaat zelf te hoeven wijzigen.

Ten slotte testte het team of deze geleerde elektrische toestanden gebruikt konden worden voor een praktische taak: het identificeren van bloemen. Ze namen een standaard computerprogramma ontworpen om afbeeldingen van madeliefjes, paardenbloemen, rozen, zonnebloemen en tulpen te herkennen en vervingen het laatste deel van het programma door de conductantie-toestanden van hun memristor-apparaat. Het programma gebruikte het vermogen van het apparaat om verschillende niveaus van weerstand vast te houden om de gewichten van zijn besluitvormingsproces te representeren. Wanneer het systeem werd getest op een dataset van bloemenafbeeldingen, behaalde het een nauwkeurigheid van 86,55 procent. Dit resultaat was opmerkelijk dicht bij de 86,55 procent nauwkeurigheid die de standaard computerprogramma die volledig in software draait behaalde. Het kleine verschil in prestaties suggereert dat de specifieke, discrete elektrische toestanden die beschikbaar zijn in het fysieke apparaat voldoende waren om de essentiële informatie die nodig is voor de taak te vangen. Deze bevinding geeft aan dat de fysieke eigenschappen van de memristor, afgeleid van de zilverfilament, direct complexe patroonherkenning kunnen ondersteunen, waarmee de kloof tussen de ruwe fysica van een materiaal en de hoogwaardige intelligentie van een neuraal netwerk wordt overbrugd.

Het werk suggereert dat de weg naar meer efficiënte, breinachtige computing niet vereist dat miljoenen complexe componenten worden gebouwd, maar eerder dat men begrijpt hoe men één enkel, eenvoudig apparaat op verschillende manieren kan aansturen. Door de elektrische pulsen af te stemmen, kan dezelfde Ag/Al₂O₃/ITO-structuur fungeren als een geheugencel, een lerend agens of een classifier. De onderzoekers toonden aan dat het gedrag van het apparaat niet vaststaat, maar volledig afhankelijk is van de geschiedenis van de stimulatie die het ontvangt. Deze flexibiliteit stelt de hardware in staat om zich aan te passen aan verschillende taken, van het nabootsen van de slaap-waakcyclus van een insect tot het sorteren van visuele gegevens. De resultaten bieden een concrete demonstratie van hoe de natuurwetten die de beweging van zilverionen in een dunne film beheersen, kunnen worden ingezet om taken uit te voeren die ooit een complex, meerlagig biologisch systeem vereisten. Naarmate het veld van de neuromorfische computing vordert, biedt deze studie een duidelijk voorbeeld van hoe eenvoudige materialen, wanneer ze worden geleid door de juiste elektrische protocollen, kunnen beginnen met het vertonen van de rijke, adaptieve gedragingen die in de natuur worden gevonden.