Moiré-Material stellt einen synaptischen Transistor für neuromorphes Computing her – Physics World

Forscher der Northwestern University, des Boston College und des Massachusetts Institute of Technology (MIT), alle in den USA, haben einen neuen Transistortyp für den Einsatz im neuromorphen Computing entwickelt. Das Gerät, das bei Raumtemperatur funktioniert, kann darauf trainiert werden, ähnliche Eingabemuster zu erkennen – eine Eigenschaft, die als assoziatives Lernen bekannt ist und über Standardaufgaben des maschinellen Lernens hinausgeht.

Neuromorphe Computer sind, wie der Name schon sagt, von der Architektur des menschlichen Gehirns inspiriert. Die Bausteine ​​ihrer Schaltkreise sind hochgradig vernetzte künstliche Neuronen und künstliche Synapsen, die die Struktur und Funktionen des Gehirns simulieren. Diese Maschinen verfügen über kombinierte Verarbeitungs- und Speichereinheiten, die es ihnen ermöglichen, Informationen gleichzeitig zu verarbeiten und zu speichern – genau wie ein menschliches Multitasking-Gehirn. Diese Fähigkeit unterscheidet sie von digitalen Computern mit separaten Verarbeitungs- und Speichereinheiten, die bei der Ausführung datenintensiver Aufgaben große Mengen Energie verbrauchen. Solche Aufgaben werden mit der Einführung intelligenter, vernetzter Geräte und riesiger Datensätze immer alltäglicher.

Während synaptische Geräte in den letzten Jahren erhebliche Fortschritte gemacht haben, werden sie durch das Fehlen guter Schaltmechanismen eingeschränkt, erklärt Markus Hersam of Nordwestlich, der die Forschungsbemühungen mitleitete. „Die stochastische Natur der Filamentschaltung in Memristoren (kurz für Speicherwiderstände), die heute die am weitesten verbreitete synaptische Technologie sind, führt zu erheblichen Variabilitäten von Gerät zu Gerät und von Zyklus zu Zyklus“, sagt er.

Andere Arten synaptischer Geräte basieren auf Magnet- und Phasenwechselschaltungen, diese leiden jedoch unter niedrigen Schaltverhältnissen bzw. hohen Schaltenergien, fügt Hersam hinzu.

Moiré-Quantenmaterialien

Um diese Probleme zu überwinden, haben Hersam und Kollegen zweidimensionale Moiré-Quantenmaterialien untersucht. Diese bestehen aus Schichten verschiedener atomar dünner Materialien, die übereinander gestapelt und um kleine Winkel verdreht sind. Solche Strukturen verfügen über elektronische Eigenschaften, die in einzelnen Materialschichten nicht vorhanden sind. Durch Verdrehen der Schichten in unterschiedlichen Winkeln zueinander können Forscher diese elektronischen Eigenschaften sehr präzise abstimmen – eine Eigenschaft, die für neue elektronische Geräte, einschließlich Komponenten für neuromorphes Computing, sehr attraktiv ist.

In ihrer Arbeit, die detailliert in NaturDie Forscher schufen eine asymmetrische Struktur aus zwei Schichten Graphen (einem flachen Kohlenstoffkristall mit einer Dicke von nur einem Atom) und einer Schicht hexagonalem Bornitrid (hBN). Da diese beiden Materialien sehr ähnliche Gitterkonstanten haben, sind die Moiré-Effekte, die durch die leichte Fehlanpassung der Atomorte verursacht werden, sehr ausgeprägt. Das Ergebnis ist eine starke Coulomb-Kopplung zwischen den zweiteiligen elektronischen Zuständen in der Heterostruktur, die sich als elektronisch gesteuerter Ratschenmechanismus manifestiert. Mit dieser Ratsche lässt sich der Leitwert eines Transistors aus der Heterostruktur präzise steuern und kontinuierlich abstimmen.

„Die kontinuierliche Einstellbarkeit der Geräteleitfähigkeit führt zu dichten und programmierbaren Speicherzuständen zusätzlich zu neuartigen quantensynaptischen Funktionen wie biorealistischer Homöostase und eingabespezifischer Anpassung“, erklärt Hersam. „Darüber hinaus verbrauchen unsere Geräte sehr wenig Strom und weisen dank der Homogenität der elektronischen Moiré-Zustände nur minimale Abweichungen von Gerät zu Gerät auf.“

Betrieb bei Raumtemperatur

Und das ist noch nicht alles: Die Geräte schalten schnell, behalten auch bei Stromausfall ihren elektronischen Zustand und sind vor allem bei Raumtemperatur stabil. Dies steht im Gegensatz zu früheren Moiré-Geräten, die nur bei kryogenen Temperaturen funktionierten.

Um ihren Transistor zu testen, haben Hersam und sein Team ihn darauf trainiert, Muster zu erkennen, die einander ähnlich sind. Sie begannen mit der Eingabe einer Folge von drei aufeinanderfolgenden Nullen (000) und testeten diese dann, um ähnliche Muster wie 111 oder 101 zu identifizieren.

„Wenn wir es darauf trainiert haben, 000 zu erkennen, und ihm dann 111 und 101 gegeben haben, weiß es, dass 111 eher 000 als 101 ähnelt“, erklärt Hersam. „000 und 111 sind nicht genau gleich, aber beide sind drei Ziffern hintereinander.“

Das Erkennen von Ähnlichkeiten sei eine übergeordnete Form der Erkenntnis, die als assoziatives Lernen bekannt sei, und das neue Gerät sei dazu in der Lage, sagt er.

Die Forscher erforschen nun das Potenzial anderer Van-der-Waals-Materialien neben Graphen und hBN und hoffen, sie in Moiré-Heterostrukturen mit noch ausgefeilterer neuromorpher Funktionalität integrieren zu können. „Ein längerfristiges Ziel wäre es, die vielversprechendsten Beispiele dieser Heterostrukturen zu vergrößern, um vollständig integrierte neuromorphe Schaltkreise und Systeme zu realisieren“, erklärt Hersam Physik-Welt.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://physicsworld.com/a/moire-material-makes-a-synaptic-transistor-for-neuromorphic-computing/