Le neurone de spin de souche est composé d'aimants avec une contrainte mécanique générée par une tension électrique. Parce que les aimants peuvent être commutés avec très peu de tension, l'appareil a une efficacité énergétique très élevée. Crédit :Biswas, et al. ©2015 Éditions IOP
(Phys.org) — Des chercheurs ont proposé un nouveau type de neurone artificiel appelé « neurone de spin de contrainte » qui pourrait servir d'unité de base des réseaux de neurones artificiels — des systèmes modelés sur le cerveau humain qui ont la capacité de calculer, apprendre, et s'adapter. Par rapport aux conceptions précédentes, le nouveau neurone artificiel est potentiellement de plusieurs ordres de grandeur plus économe en énergie, plus robuste contre la dégradation thermique, et tire à un rythme plus rapide.
Les chercheurs, Ayan K. Biswas, Professeur Jayasimha Atulasimha, et le professeur Supriyo Bandyopadhyay de la Virginia Commonwealth University à Richmond, ont publié un article sur le neurone de spin de contrainte dans un numéro récent de Nanotechnologie .
Comme l'expliquent les scientifiques, trouver un moyen efficace d'imiter les vrais neurones est essentiel pour exploiter tout le potentiel des réseaux de neurones artificiels, pourtant, cette tâche s'est avérée difficile.
"La plupart des ordinateurs sont de nature numérique et traitent les informations en utilisant la logique booléenne, " Bandyopadhyay a dit Phys.org . "Toutefois, certaines tâches de calcul sont mieux adaptées au « calcul neuromorphique, ' qui est basé sur la façon dont le cerveau humain perçoit et traite l'information. Cela a inspiré le domaine des réseaux de neurones artificiels, qui a fait de grands progrès au siècle dernier mais a finalement été bloqué par une impasse matérielle. L'électronique utilisée pour mettre en œuvre des neurones artificiels et des synapses utilise des transistors et des amplificateurs opérationnels, qui dissipent d'énormes quantités d'énergie sous forme de chaleur et consomment de grandes quantités d'espace sur une puce. Ces inconvénients rendent la gestion thermique sur la puce extrêmement difficile et le calcul neuromorphique moins attrayant qu'il ne devrait l'être.
"Heureusement, il existe d'autres façons d'implémenter les neurones, comme avec des appareils magnétiques. On pensait que les appareils magnétiques dissiperaient beaucoup moins de chaleur, mais ce que nous avons constaté, c'est qu'ils ne dissipent pas nécessairement moins de chaleur en toutes circonstances. La dissipation de chaleur dépend de la façon dont les dispositifs magnétiques sont commutés pour imiter le fonctionnement d'un neurone. S'ils sont commutés avec du courant, qui est l'approche habituelle, alors ils ne dissipent pas beaucoup moins de chaleur, et, dans certaines circonstances, peut même dissiper plus de chaleur que les transistors.
"Toutefois, il existe un moyen de commuter certains types d'aimants avec une contrainte mécanique générée par une tension électrique. Nous avons constaté que si les aimants sont commutés avec cette approche, alors les neurones magnétiques sont en effet beaucoup moins dissipatifs que leurs homologues à transistors et leurs homologues magnétiques à courant commuté. C'est le « neurone de spin de la contrainte, ' et cela peut donner un coup de pouce au matériel de traitement de l'information neuromorphique."
Un neurone de spin piloté par le courant, montré ici, est basé sur des aimants comme le neurone de spin de souche. Cependant, le neurone de spin commandé par le courant est moins économe en énergie et dissipe des ordres de grandeur plus de chaleur que le neurone de spin de la tension de la tension. Crédit :Biswas, et al. ©2015 Éditions IOP
Comme l'expliquent les chercheurs, le neurone de spin de la souche proposée est basé sur une jonction magnéto-tunnel, qui est une structure à trois couches constituée d'un nano-aimant dur, une couche d'espacement, et un nano-aimant magnétostrictif doux posé sur un film piézoélectrique. L'application d'impulsions de tension au neurone génère une contrainte dans le film piézoélectrique, qui est partiellement transféré au nano-aimant magnétostrictif doux. Lorsque la contrainte dans le nano-aimant dépasse une valeur seuil, l'aimantation tourne brusquement, qui modifie la résistance de la jonction magnéto-tunnel entre deux états stables. Le changement brusque de tension à travers l'appareil imite le déclenchement des neurones.
« L'extraordinaire efficacité énergétique du neurone de spin de souche est due au fait qu'il faut très peu de tension pour commuter l'aimantation d'un nano-aimant magnétostrictif doux couplé élastiquement à un film piézoélectrique - un système connu sous le nom de « multiferroïque biphasé » - comme tant que le nano-aimant magnétostrictif est constitué d'une classe spéciale de matériaux qui ont une magnétostriction très élevée, tels que le Terfenol-D, ", ont expliqué les chercheurs.
En plus d'être plus écoénergétique, le neurone de spin de souche est également beaucoup plus résistant au bruit thermique que les neurones de spin entraînés par le courant. A des températures supérieures à 0 K, le bruit thermique crée un couple aléatoire supplémentaire sur l'aimantation de tout nano-aimant, ce qui augmente la probabilité que le neurone se déclenche avant d'atteindre la tension de seuil ou ne se déclenche pas après avoir atteint la tension de seuil.
Cet effet délétère peut être combattu en augmentant le courant de seuil de déclenchement (dans le cas des neurones de spin commandés par le courant) ou la tension de seuil de déclenchement (dans le cas des neurones de spin de la tension électronique), mais cela augmentera également la dissipation d'énergie. Ici, les chercheurs ont montré que le compromis entre l'efficacité énergétique et la fiabilité favorise massivement le neurone de spin à contrainte par rapport aux neurones de spin entraînés par le courant, dont on estime qu'ils dissipent plusieurs ordres de grandeur en plus d'énergie.
Avec ces avantages, Les neurones de spin de souche pourraient avoir diverses applications en informatique neuronale.
"Ce que nous avons étudié est un perceptron, qui est un modèle mathématique du neurone artificiel, " Atulasimha a déclaré. " Il existe de nombreuses applications possibles dans l'informatique neuronale. Un domaine qui nous intéresse est la plasticité dépendante du temps de pointe, qui est une forme d'apprentissage hebbien. Il est largement admis qu'il sous-tend l'apprentissage et le stockage d'informations dans le cerveau, et il existe une abondante littérature sur ce sujet. Les neurones de spin de Straintronic sont déclenchés par des impulsions de tension, et il existe des voies claires pour les adapter au modèle de plasticité dépendant du moment du pic. Nous nous intéressons également à la reconnaissance de caractères, qui utilise des réseaux feed-forward et la compression d'image. Cela n'exclut rien d'autre. Partout où la dissipation de chaleur est un spoiler, le neurone de spin de souche peut être en mesure d'offrir une solution. »
Les prochaines étapes pour les chercheurs consisteront à fabriquer les dispositifs physiques.
"La preuve du pudding est toujours dans le manger, " dit Biswas. " Tôt ou tard, ce dispositif devra être démontré expérimentalement. Notre groupe a démontré expérimentalement la commutation de l'aimantation d'un aimant avec la contrainte dans de nombreux systèmes différents et nous nous efforcerons de démontrer le neurone de spin de la contrainte à l'avenir. »
© 2015 Phys.org
