Neuromorfe gegevensverwerking met memristors

In een paper gepubliceerd in Nano, onderzoeken onderzoekers de rol van memristoren in neuromorfe computers. Deze nieuwe fundamentele elektronische component ondersteunt het klonen van bio-neurale systemen met lage kosten en vermogen.

Hedendaagse computersystemen zijn niet in staat het hoofd te bieden aan kritieke uitdagingen van verkleining en computersnelheid in het big data-tijdperk. De bottleneck van Von Neumann wordt een belemmering genoemd bij de gegevensoverdracht via de bus die processor en geheugencel verbindt. Dit biedt de mogelijkheid om alternatieve architecturen te creëren op basis van een biologisch neuronmodel. Neuromorfe computers zijn een van die alternatieve architecturen die neuro-biologische hersenarchitecturen nabootsen.

Het humanoïde neurale hersensysteem omvat ongeveer 100 miljard neuronen en talrijke synapsen van connectiviteit. Een efficiënt circuitapparaat is daarom essentieel voor de constructie van een neuraal netwerk dat het menselijk brein nabootst. De ontwikkeling van een elektrische basiscomponent, de memristor, met verschillende onderscheidende kenmerken zoals schaalbaarheid, verwerking in het geheugen en CMOS-compatibiliteit, heeft de implementatie van neurale netwerkhardware aanzienlijk vergemakkelijkt.

De memristor werd geïntroduceerd als een ‘geheugenachtige weerstand’ waarbij de achtergrond van de toegepaste ingangen de weerstandsstatus van het apparaat zou veranderen. Het is een capabele elektronische component die de stroom kan onthouden om de grootte van het apparaat effectief te verkleinen en de verwerkingssnelheid in neurale netwerken te verhogen. Parallelle berekeningen, zoals in het menselijk zenuwstelsel, worden gemaakt met behulp van memristor-apparaten in een nieuwe computerarchitectuur.

Systeeminstabiliteit en onzekerheid zijn beschreven als huidige problemen voor de meeste geheugengebaseerde toepassingen. Dit is het tegenovergestelde van het biologische proces. Ondanks ruis, niet-lineariteit, variabiliteit en vluchtigheid werken biologische systemen goed. Het is echter nog onduidelijk of de effectiviteit van biologische systemen daadwerkelijk afhangt van deze obstakels. Neurale modellering wordt soms vermeden omdat het niet gemakkelijk is om te modelleren en te bestuderen. De mogelijkheid om deze eigenschappen te exploiteren is daarom natuurlijk een cruciale weg naar succes bij het bereiken van kunstmatige en biologische systemen.