Искусственный синапс сравнялся по энергопотреблению с синапсом биологического мозга

Искусственные нейронные сети призваны имитировать процессы обучения в мозге, основанные на постепенном усилении или ослаблении синапсов, связей между нейронами. Основной компонент физической нейросети – резистивный переключатель, проводимостью которого можно управлять при помощи модуляции. Так достигается усиление или ослабление искусственных синапсов.

Однако полупроводники, участвующие в этом процессе, требуют много энергии. Для того чтобы повысить производительность, исследователи перепробовали кучу устройств, способных моделировать работу биологических синапсов – то есть забывать и запоминать. Большая часть кандидатов либо оказывалась неэффективной, либо поглощала слишком много энергии, http://news.mit.edu/2020/ionic-device-brain-synapse-0619 MIT News.

Но прорыв все-таки произошел. Резистентный переключатель, созданный в MIT, это электрохимическое устройство из триоксида вольфрама (WO3) и работающее примерно как аккумулятор. Протоны, выступающие в роли ионов, мигрируют в или из кристаллической решетки, в зависимости от полярности и силы приложенного напряжения. Изменения сохраняются до тех пор, пока не сменится напряжение.

Даже несмотря на то, что ученые тестировали не оптимизированный прототип, оказалось, что устройство потребляет энергию на единицу площади на единицу изменения напряжения примерно на уровне биологических синапсов. То есть в миллион раз меньше, чем традиционный полевой транзистор.

В прототипе ученые использовали для проводящей протоны мембраны полимерный материал, который ограничивает теплоустойчивость устройства.

Теперь они думают заменить его на что-то более выносливое.    

Недавно ученые из Массачусетского университета в Амхерсте  https://hightech.plus/2020/04/21/belkovie-memristori-sravnya... метод создания мемристоров, которые по энергопотреблению сравнялись с синапсами человеческого мозга. Для этого они разработали белковую нанопроволоку из бактерий Geobacter. Но нейроморфные компьютеры - дело будущего, база для них только разрабатывается, применение открытия ученых из MIT может быть быстрым и оно радикально изменит возможности применения нейронных сетей.