Nieuwe vorm van geheugen kan door hersenen geïnspireerde computers vooruit helpen

Een nieuwe vorm van computergeheugen kan machines helpen de capaciteiten van het menselijk brein te evenaren als het gaat om taken zoals het interpreteren van afbeeldingen of videobeelden.

Een geheugenchip met faseverandering die handgeschreven getallen leert herkennen door een netwerk van neuronen te simuleren, wordt getest in het Almaden Research Center van IBM in de buurt van San Jose, Californië.

Onderzoekers van IBM gebruikten wat bekend staat als faseveranderingsgeheugen om een ​​apparaat te bouwen dat gegevens verwerkt op een manier die is geïnspireerd op de werking van een biologisch brein. Met behulp van een prototype phase-change geheugenchip configureerden de onderzoekers het systeem om te werken als een netwerk van 913 neuronen met 165.000 verbindingen of synapsen ertussen. De sterkte van die verbindingen verandert naarmate de chip binnenkomende gegevens verwerkt, waardoor de manier waarop de virtuele neuronen elkaar beïnvloeden veranderen. Door die eigenschap te benutten, lieten de onderzoekers het systeem handgeschreven cijfers leren herkennen.

De verwachting is dat geheugen met faseverandering de komende jaren op de markt zal komen. Het kan informatie sneller schrijven en dichter inpakken dan het geheugen dat tegenwoordig in computers wordt gebruikt (zie Een voorbeeld van toekomstige schijfstations). Een geheugenchip met faseverandering bestaat uit een raster van cellen die elk kunnen schakelen tussen twee toestanden om een ​​digitaal stukje informatie weer te geven - een een of een 0 . In het experimentele systeem van IBM wordt elke synaps weergegeven door een paar geheugencellen die samenwerken.

Computerwetenschappers werken al een tijdje aan chips die op grove wijze neuronen en synapsen nabootsen. Dergelijke neuromorfe ontwerpen zijn radicaal anders dan de chips die we tegenwoordig gebruiken. Maar ze beloven computers te maken die efficiënt zijn in taken die computers normaal gesproken een uitdaging vinden, zoals leren van ervaring of het begrijpen van video (zie Thinking in Silicon).

Eerder dit jaar kondigde IBM de meest complexe neuromorfische chip tot nu toe aan (zie IBM Chip verwerkt gegevens vergelijkbaar met de manier waarop uw hersenen dat doen). Het is gemaakt met behulp van de technieken en componenten die zijn gebruikt om smartphoneprocessors te bouwen.

Het experimentele systeem dat deze week door IBM-onderzoekers is aangekondigd, is veel minder krachtig dan die chip. Maar het feit dat de 165.000 synapsen van het nieuwe systeem zijn gemaakt met behulp van phase-change-geheugen is significant, zegt Geoff Burr, een onderzoeker bij IBM's Almaden Research Center in San Jose, Californië.

Er wordt gedacht dat het faseveranderingsgeheugen bijzonder geschikt is voor neuromorfe computersystemen, omdat het gegevens zo dicht opslaat, waardoor het mogelijk wordt om op de hersenen geïnspireerde systemen met veel meer synapsen te creëren, zegt Burr. Phase-change geheugen is ook eenvoudiger te herprogrammeren. Dat maakt het praktisch voor het bouwen van een neuromorf systeem dat kan leren door zijn gedrag aan te passen terwijl het nieuwe gegevens krijgt.

Eerdere pogingen om geheugen met faseverandering te gebruiken om neuromorfe systemen te bouwen, waren bescheiden, met 100 synapsen of minder, zegt Burr. Het nieuwe systeem, gebouwd met collega's van IBM en Pohang University of Science and Technology, in Korea, is meer dan 1.000 keer zo groot. Een paper over hun resultaten werd gepresenteerd op de Internationale bijeenkomst over elektronische apparaten eerder deze maand in San Francisco.

Het team was in staat om een ​​veel groter systeem te maken omdat het technieken ontwikkelde om de natuurlijke variabiliteit in de prestaties van elke eenheid faseveranderingsgeheugen te meten en te compenseren. Vergelijkbare variabiliteit is van invloed op de conventionele geheugenchips in onze telefoons en computers van vandaag, maar foutcontrolemethoden zijn geavanceerder voor die apparaten.

Na 5.000 gelabelde afbeeldingen van handgeschreven cijfers uit een gestandaardiseerde dataset te hebben getoond, kon de chip van de onderzoekers handgeschreven cijfers herkennen die hij nog nooit eerder had gezien met een nauwkeurigheid van 82 procent. Burr zegt dat een recente aanpassing aan de foutcompensatiemethoden van zijn team ervoor moet zorgen dat de nauwkeurigheid tot bijna 99 procent kan stijgen.

Eugenio Culurciello , een professor aan de Purdue University die werkt aan neuromorfe chipontwerpen, zegt dat faseveranderingsgeheugen neuromorfische ontwerpen op interessante manieren kan verbeteren. Hij merkt echter op dat ingenieurs zich in de beginfase bevinden om te begrijpen hoe ze hersenachtige chips kunnen maken. Die dingen zijn nog een beetje exotisch, zegt hij.

zich verstoppen