Neurocomputer, die künstliche Intelligenz ermöglichen, ahmen die Funktionsweise des Gehirns nach. Sie speichern Daten in Form von Synapsen, einem Netzwerk von Verbindungen zwischen den Nervenzellen oder Neuronen. Die meisten Neurocomputer verfügen über eine herkömmliche digitale Architektur und verwenden mathematische Modelle, um virtuelle Neuronen und Synapsen aufzurufen.
BU: Illustration: On-Chip Gehirn, © Elena Khavina/MIPT Press Office
Eine Forschergruppe des Moscow Institute of Physics and Technology (MIPT) hat nun ein neues Device entwickelt, das wie die Neuronen im menschlichen Gehirn funktioniert. Es speichert Informationen und löscht sie wieder, wenn sie lange Zeit nicht abgerufen worden sind. Es ist als Memristor zweiten Grades bekannt. Ein Memristor ist ein elektrisches Bauelement, das zwischen seinen beiden Anschlüssen einen elektrischen Widerstand aufweist, der je nach Stromstärke, abhängig von der Richtung größer oder kleiner wird.
Architektur ermöglicht weitaus schnellere Computer
Das Gerät beruht darauf, dass die Informationen in einem Netzwerk aus Neuronen gespeichert werden, die über Synapsen miteinander verknüpft sind. Die künstlichen Neuronen und Synapsen wiederum basieren auf Hafniumoxid. Sie sind der erste Schritt auf dem Weg zum einem Neurocomputer, der die natürliche Art zu lernen imitiert. Im Normalfall haben sie eine digitale Architektur wie jeder andere Computer auch. Sie nutzen mathematische Modelle, um das Netzwerk des Gehirns nachzubilden. Alternativ dazu kann jedes Neuron als Memristor dargestellt werden. Viele davon werden zu einem Netzwerk verknüpft. Eine solche Architektur ermöglicht weitaus schnellere Computer und senkt den Stromverbrauch. Vereinfacht ausgedrückt, bedeutet ein hoher Widerstand im Memristor eine "Null", ein kleiner Widerstand eine "Eins". Genauso speichert das Gehirn eine Information. Wenn eine Synapse ein Signal an zwei Neuronen übermittelt, entspricht das der "Eins", tut sie es nicht, ist es eine "Null". In einem Gehirn werden die aktiven Synapsen gestärkt und die weniger genutzten geschwächt. Das nennt sich neuronale Plastizität. Darunter versteht man die Eigenart von Synapsen, sich nutzungsabhängig zu verändern, um Prozesse zu optimieren. Dieses Phänomen sei die Basis für natürliches Lernen, unterstreichen die russischen Forscher.
"Unser System ist robuster"
Bei bisherigen Versuchen wurde die neuronale Plastizität mit der Zeit schwächer. "Unser System ist robuster", sagt Anastasia Chouprik, die das Forscher-Team leitet. Sie nutzt die Tatsache aus, dass Hafniumoxid ferroelektrische Eigenschaften hat. Dessen Polarisation verändert sich, wenn es einem äußeren elektrischen Feld ausgesetzt ist. Wird es entfernt, behält das Material diesen Zustand bei - fertig ist die ferroelektrische Synapse.
