898
У звичайній електроніці шум вважають проблемою, яку потрібно пригнічувати. Дослідники KAIST зробили навпаки: використали випадкові коливання струму в мемристорі як частину самого обчислення. Так з’явився programmable probabilistic neuron — штучний нейрон, чутливість якого до різних частот сигналу можна змінювати програмно.
Біологічний нейрон не працює абсолютно детерміновано. Навіть за схожого стимулу він може генерувати імпульс у різний момент, оскільки іонні канали в мембрані відкриваються й закриваються стохастично.
Команда професора Kyung Min Kim використала Ru/TaOx/Pt memristor, у якому характеристики шуму змінюються разом зі станом опору.
Що показало дослідження
Мемристор зберігає свій стан опору після електричного впливу. Дослідники використали те, що разом із опором можна керувати амплітудою та статистикою струмового шуму.
Цей шум підсилювали й використовували для створення нерегулярних spike-сигналів, подібних до імпульсів біологічного нейрона.
Ймовірність спрацювання залежала одночасно від вхідного сигналу та запрограмованого шумового стану. Змінивши опір мемристора, той самий фізичний нейрон можна було переналаштувати на повільні або швидкі часові сигнали.
Команда перевірила human activity recognition із сигналами порядку кількох герців і розпізнавання мовлення з компонентами у діапазоні кілогерців.
Чому це важливо
У тестах система досягла 94,8% точності для розпізнавання рухової активності й 95,0% для мовлення.
Практичний плюс полягає в тому, що одна й та сама апаратна структура може працювати з різними часовими масштабами без створення окремих нейронів для кожного типу даних.
Основою пристрою став Ru/TaOx/Pt memristor. У різних станах опору механізм провідності в ньому змінюється, а разом із ним змінюються рівень шуму та signal-to-noise ratio. Саме це дало можливість програмувати статистику спрацювань без окремого генератора випадкових чисел.
Під час human activity recognition використовували сигнали приблизно від 0,4 до 25 Гц, тоді як Audio MNIST охоплює діапазон приблизно від 20 Гц до 8 кГц. Тобто один тип пристрою перевірили на часових масштабах, що відрізняються на кілька порядків.
Для нейроморфної електроніки це важливо через апаратну компактність. Якщо випадковість уже природно присутня у самому мемристорі, не потрібно будувати окрему складну схему для генерації stochastic behavior.
Дослідники розглядають технологію як платформу для time-series encoding — обробки потокових сигналів у сенсорах, wearable electronics і edge AI, де енергоспоживання та кількість компонентів критично важливі.
Джерело: EurekAlert / KAIST
