Le matériel qui imite les circuits neuronaux du cerveau nécessite des blocs de construction qui peuvent ajuster la façon dont ils se synapsent. Une telle approche, appelé memristors, utilise la résistance actuelle pour stocker ces informations. De nouveaux travaux visent à surmonter les problèmes de fiabilité de ces dispositifs en adaptant les memristors au niveau atomique. Les chercheurs ont démontré un nouveau type de synapse composée qui peut réaliser une programmation de poids synaptique et effectuer une multiplication vecteur-matrice avec des avancées significatives par rapport à l'état de l'art actuel. Ils discutent de leur travail cette semaine Journal de physique appliquée . Cette image montre un schéma conceptuel de la mise en œuvre 3D de synapses composées construites avec des memristors binaires d'oxyde de nitrure de bore (BNOx), et le réseau crossbar avec des synapses BNOx composées pour les applications informatiques neuromorphiques. Crédit :Ivan Sanchez Esqueda
Tout comme leurs homologues biologiques, le matériel qui imite les circuits neuronaux du cerveau nécessite des blocs de construction qui peuvent ajuster la façon dont ils se synapsent, certaines connexions se renforçant au détriment des autres. Une telle approche, appelé memristors, utilise la résistance actuelle pour stocker ces informations. De nouveaux travaux visent à surmonter les problèmes de fiabilité de ces dispositifs en adaptant les memristors au niveau atomique.
Un groupe de chercheurs a démontré un nouveau type de synapse composée qui peut réaliser une programmation de poids synaptique et effectuer une multiplication vecteur-matrice avec des avancées significatives par rapport à l'état actuel de l'art. Publier ses travaux dans le Journal de physique appliquée , la synapse composée du groupe est construite avec des memristors atomiquement minces de nitrure de bore fonctionnant en parallèle pour assurer l'efficacité et la précision.
L'article apparaît dans une section thématique spéciale de la revue consacrée à "New Physics and Materials for Neuromorphic Computation, " qui met en lumière les nouveaux développements de la recherche en sciences physiques et des matériaux qui sont prometteurs pour le développement à très grande échelle, les systèmes « neuromorphes » intégrés de demain qui porteront le calcul au-delà des limites des semi-conducteurs actuels d'aujourd'hui.
« Il y a beaucoup d'intérêt à utiliser de nouveaux types de matériaux pour les memristors, " a déclaré Ivan Sanchez Esqueda, un auteur sur le papier. "Ce que nous montrons, c'est que les dispositifs filamentaires peuvent bien fonctionner pour les applications informatiques neuromorphiques, lorsqu'il est construit de nouvelles manières intelligentes."
La technologie memristor actuelle souffre d'une grande variation dans la façon dont les signaux sont stockés et lus sur les appareils, à la fois pour différents types de memristors ainsi que pour différentes exécutions du même memristors. Pour surmonter cela, les chercheurs ont exécuté plusieurs memristors en parallèle. La sortie combinée peut atteindre des précisions jusqu'à cinq fois celles des appareils conventionnels, un avantage qui s'aggrave au fur et à mesure que les appareils deviennent plus complexes.
Le choix d'aller au niveau subnanométrique, Sanchez a dit, est né de l'intérêt de garder tous ces memristors parallèles économes en énergie. Un tableau des memristors du groupe s'est avéré être 10, 000 fois plus écoénergétiques que les memristors actuellement disponibles.
"Il s'avère que si vous commencez à augmenter le nombre d'appareils en parallèle, vous pouvez voir de grands avantages en termes de précision tout en conservant la puissance, " Sanchez a déclaré. Sanchez a déclaré que l'équipe cherche ensuite à mettre davantage en valeur le potentiel des synapses composées en démontrant leur utilisation en accomplissant des tâches de plus en plus complexes, comme la reconnaissance d'images et de formes.
