CMOS-basierte Computersysteme, die die von-Neumann-Architektur verwenden, sind bei der parallelen Datenspeicherung und -verarbeitung relativ eingeschränkt. Im Gegensatz dazu ist das menschliche Gehirn eine lebende rechnerische Signalverarbeitungseinheit, die mit extremer Parallelität und Energieeffizienz arbeitet. Obwohl im letzten Jahrzehnt zahlreiche neuromorphe elektronische Geräte entstanden sind, sind die meisten von ihnen starr oder enthalten Materialien, die für biologische Systeme giftig sind.
Kireev et al. (2022) berichten über biokompatible, auf Graphen basierende künstliche synaptische Transistoren (BLAST), die in der Lage sind, synaptisches Verhalten zu imitieren. Die BLAST-Bauelemente nutzen eine trockene ionenselektive Membran, die eine Langzeitpotenzierung mit einer Schaltenergieeffizienz von ~50 aJ/µm2 ermöglicht, was mindestens eine Größenordnung niedriger ist als frühere Berichte über künstliche Synapsen auf der Basis zweidimensionaler Materialien. Die Bauelemente weisen eine einzigartige Metaplastizität auf, eine nützliche Eigenschaft für verallgemeinerbare tiefe neuronale Netze, und wir zeigen, dass metaplastische BLASTs ideale lineare Synapsen in klassischen Bildklassifizierungsaufgaben übertreffen.
Mit einer Schaltenergie, die deutlich unter der für eine biologische Synapse geschätzten Energie von 1 fJ liegt, sind die vorgeschlagenen Bauelemente leistungsstarke Kandidaten für das Online-Lernen mit biologischer Schnittstelle und schließen die Lücke zwischen künstlichen und biologischen neuronalen Netzen.
Literatur
Kireev, Dmitry, Liu, Samuel, Jin, Harrison, Patrick Xiao, T., Bennett, Christopher H., Akinwande, Deji & Incorvia, Jean Anne C. (2022). Metaplastic and energy-efficient biocompatible graphene artificial synaptic transistors for enhanced accuracy neuromorphic computing. Nature Communications, 13, doi:10.1038/s41467-022-32078-6.
Nachricht ::: Soziale Robotik ::: Impressum
Datenschutzerklärung ::: © Benjamin Stangl :::