Prozessoren für Machine Learning

Bauteil für Computer nach Vorbild des Gehirns

Uhr
von Fabio Bergamin, ETH Zürich

Forschende von ETH Zürich, Universität Zürich und Empa haben ein neues Material für ein Computerbauteil entwickelt, das flexibler einsetzbar ist als seine Vorgänger. Damit sollen elektronische Schaltungen gebaut werden, die sich am menschlichen Gehirn orientieren, und die Aufgaben des maschinellen Lernens effizienter lösen können.

Forschende möchten Aufgaben des maschinellen Lernens künftig effizienter lösen mit Prozessoren, deren Funktionsweise sich am menschlichen Gehirn orientiert. (Source: iLexx / iStock.com)
Forschende möchten Aufgaben des maschinellen Lernens künftig effizienter lösen mit Prozessoren, deren Funktionsweise sich am menschlichen Gehirn orientiert. (Source: iLexx / iStock.com)

Im Vergleich zu einem Computer arbeitet das menschliche Gehirn unglaublich energieeffizient. Um neuartige Computertechnologien zu entwerfen, orientieren sich Forschende daher an der Funktionsweise des Gehirns mit seinen vernetzten Nervenzellen. Die Wissenschaftlerinnen und Wissenschaftler gehen davon aus, dass solche vom Gehirn inspirierte Computersysteme energieeffizienter sein werden als herkömmliche und Aufgaben des maschinellen lernen besser lösen können.

Analog zu Nervenzellen, die im Gehirn sowohl für die Datenspeicherung als auch die Datenverarbeitung zuständig sind, möchten die Wissenschaftler und Wissenschaftlerinnen dabei ebenfalls Speicherung und Verarbeitung auf einem einzigen Bauteil-​Typ kombinieren, sogenannten Memristoren. Dies soll helfen, den Effizienzgewinn zu erreichen. Auf herkömmlichen Computern werden Daten zwischen Prozessor und Speicher verschoben. Dies ist der Hauptgrund für den hohen Energieverbrauch bei Prozessen des maschinellen Lernens auf herkömmlichen Computern.

Forschende von ETH Zürich, Universität Zürich und Empa haben nun ein neuartiges Konzept entwickelt für einen Memristor, der sehr viel flexibler einsetzbar ist als bisherige Memristoren. "Es gibt für Memristoren unterschiedliche Operationsmodi, und je nach Architektur eines künstlichen neuronalen Netzwerkes ist es vorteilhaft, alle diese Modi nutzen zu können", erklärt ETH-​Postdoc Rohit John. "Bisherige herkömmliche Memristoren mussten allerdings im Voraus für jeweils einen solchen Modus konfiguriert werden." Die neuen Memristoren der Zürcher Forschenden können nun während ihres Einsatzes einfach zwischen zwei Operationsmodi wechseln: einem Modus, bei dem das Signal über die Zeit schwächer wird und erlöscht (volatiler Modus), und einem, bei der das Signal dauerhaft konstant bleibt (nicht-​volatiler Modus).

Wie im Gehirn

"Auch im menschlichen Gehirn gibt es diese beiden Operationsmodi", erklärt John. Einerseits werde Reize an den Synapsen mit biochemischen Botenstoffen von Nervenzelle zu Nervenzelle weitergeleitet. Diese Reize sind zunächst stark und werden dann langsam schwächer. Anderseits bilden sich während des Lernens im Gehirn neue synaptische Verbindungen zu weiteren Nervenzellen aus. Diese sind länger anhaltend.

Rohit John ist Postdoc in der Gruppe von ETH-​Professor Maksym Kovalenko und wurde 2020 mit einem ETH-​Fellowship für exzellente Postdoktorierende ausgezeichnet. John führte diese Forschungsarbeit gemeinsam mit Yiğit Demirağ durch. Er ist Doktorand in der Gruppe von Professor Giacomo Indiveri am Institut für Neuroinformatik von Universität Zürich und ETH Zürich.

Halbleitermaterial aus Solarzellen bekannt

Die von den Forschenden entwickelten Memristoren bestehen aus Halogenid-​Perowskit-Nanokristallen, einem Halbleitermaterial, das vor allem von seinem Einsatz in Photovoltaikzellen bekannt ist. "Die 'Reizleitung' wird in diesen neuen Memristoren vermittelt, indem sich Silberionen ausgehend von einer Elektrode temporär oder permanent zu einer Nano-​Faser aneinanderreihen, welche die Perowskit-​Struktur durchdringt, und durch die Strom fliessen kann", erklärt Kovalenko.

Dieser Vorgang kann so beeinflusst werden, dass die Silberionen-​Faser entweder dünn ist und mit der Zeit wieder in einzelne Silberionen zerfällt (volatiler Modus) oder dick und dauerhaft ist (nicht-​volatiler Modus). Gesteuert wird dies durch die Stromstärke, die auf den Memristor geleitet wird: Wird er mit schwachem Strom angesteuert, bildet sich der volatile Modus aus. Wird er mit starkem Strom angesteuert, bildet sich der nicht-​volatile Modus aus.

Instrumentarium für Neuroinformatiker

"Unseres Wissens ist dies der erste Memristor, der bei Bedarf zuverlässig zwischen einem volatilen und einem nicht-​volatilen Modus umgeschaltet werden kann", sagt Demirağ. Damit können in Zukunft auch Computerchips hergestellt werden mit Memristoren, die beide Modi ermöglichen. Denn auf einem Chip mehrere unterschiedliche Memristoren-​Typen zu kombinieren, ist in der Regel nicht möglich.

Im Rahmen der Studie, die sie im Fachmagazin "Nature Communications" veröffentlichten, haben die Wissenschaftler 25 solcher neuen Memristoren getestet und mit ihnen 20'000 Messungen durchgeführt. So konnten sie eine Rechenaufgabe auf einem komplexen Netzwerk simulieren. In dieser Aufgabe ging es darum, eine Vielzahl unterschiedlicher Nervenpulse vier definierten Mustern zuzuordnen.

Bis die Memristoren in der Computertechnologie einsetzbar ist, müssen sie weiter optimiert werden. Wichtig sind solche Bauteile aber auch für die Forschung in der Neuroinformatik, wie Indiveri betont: "Diese Bauteile kommen echten Neuronen näher als bisherige. Dadurch helfen sie Forschenden, Hypothesen der Neuroinformatik besser zu überprüfen und hoffentlich ein besseres Verständnis zu gewinnen für die Rechenprinzipien echter neuronaler Schaltkreise in Mensch und Tier."

Literaturhinweis

John RA, Demirağ Y, Shynkarenko Y, Berezovska Y, Ohannessian N, Payvand M, Zeng P, Bodnarchuk MI, Krumeich F, Kara G, Shorubalko I, Nair MV, Cooke GA, Lippert T, Indiveri G, Kovalenko MV: Reconfigurable halide perovskite nanocrystal memristors for neuromorphic computing. Nature Communications 2022. 13: 2074, doi: 10.1038/s41467-​022-29727-1

Dieser Beitrag ist zuerst auf ETH News erschienen.

Webcode
DPF8_257277