In diesem aufstrebenden Gebiet der Informatik modellieren Wissenschaftler das Gehirn, um Computer schneller und effektiver zu machen. In den letzten Jahrzehnten haben wir eine technologische Revolution erlebt, die durch die Entwicklung von Computerprozessoren auf der Basis von Silizium und anderen Halbleitermaterialien hervorgerufen wurde.
Computer hatten einst die Größe ganzer Räume, sind aber inzwischen auf einzelne Chips reduziert worden. Treibende Kraft hinter diesem Trend ist das Moore'sche Gesetz, ein Konzept, das Gordon Moore 1965 verwendete, um die Beobachtung zu beschreiben, dass sich die Anzahl der Komponenten pro integriertem Chip alle zwei Jahre verdoppeln wird, was zu immer schnelleren Computern führt.
Da die Rechenanforderungen aufgrund von Fortschritten bei Computern, Robotern, dem Internet der Dinge (IoT) und intelligenten Maschinen steigen, hat die Halbleiterindustrie einen Punkt erreicht, an dem es nicht mehr möglich ist, Computerchips weiter zu miniaturisieren. Es gibt tatsächlich nur so viele Transistoren, die auf einen einzigen Chip passen.
Infolgedessen wenden sich Informatiker einem völlig neuen Computeransatz zu, der als "neuromorphes Rechnen" bekannt ist und bei dem Computer so konzipiert sind, dass sie ähnlich wie das menschliche Gehirn funktionieren und mit der Außenwelt interagieren.
Dieses Studiengebiet gewinnt an Popularität und gilt als grundlegende Phase bei der Entwicklung von Computerhardware und Systemen der künstlichen Intelligenz. Wir decken alles ab, was Sie über dieses aufstrebende Gebiet und seine Bedeutung für die Zukunft der Informatik wissen müssen.
Wie verarbeitet und speichert das Gehirn Informationen?
Bevor wir uns den neuromorphen Geräten und ihren Anwendungen zuwenden, ist es am besten, das biologische Phänomen zu diskutieren, das dieses Feld motiviert (synaptische Plastizität). Dies ist die außergewöhnliche Fähigkeit des menschlichen Gehirns, sich an neue Informationen zu verändern und anzupassen. Um dies richtig einschätzen zu können, müssen wir uns zunächst mit der grundsätzlichen Funktionsweise unseres eigenen „Rechenzentrums“ befassen.
Die Botenzellen des Gehirns werden Neuronen genannt. Sie sind alle miteinander verbunden, dank Synapsen, den Verbindungsstellen, die sie alle in einem riesigen Netzwerk verbinden, durch das elektronische Impulse und chemische Signale übertragen werden. Sie kommunizieren miteinander über "Spikes", das sind kurze Stromstöße, die Millisekunden lang sind.
Das Gedächtnis in einem Computer kann einfach durch Hinzufügen weiterer Gedächtniszellen erhöht werden, aber im Gehirn werden Erinnerungen erzeugt, indem Verbindungen zwischen Neuronen gestärkt und neue Verbindungen geschaffen werden. Wenn zwei Neuronen enger miteinander verbunden sind, können wir sagen, dass das synaptische Gewicht der verbundenen Synapse zunimmt. Ungefähr 10 in unserem Gehirn12 Es gibt Neuronen und sie sind miteinander verbunden 10.15 Sie kommunizieren über Synapsen. Diese Verbindungen und der Grad der Kommunikation zwischen ihnen schwanken im Laufe der Zeit und der Menge der empfangenen Reize oder Spitzen, sodass sich das Gehirn an die sich ändernde Umgebung anpassen, Erinnerungen bilden und bewahren kann.
Es ist entscheidend, Potenzierung und Depression zu verstehen, zwei Schlüsselmechanismen der synaptischen Plastizität, bei denen synaptische Verbindungen allmählich stärker oder schwächer werden und eine wichtige Rolle beim Lernen und Gedächtnis spielen. Dies ist in jedem Zeitbereich von Sekunden bis Stunden oder länger möglich.
Es wird angenommen, dass Spitzen mit höherer Frequenz, wie sie beispielsweise beim Erlernen einer neuen Fähigkeit auftreten, mit der Entwicklung des Langzeitgedächtnisses verbunden sind, indem sie bestimmte Synapsen stärken oder verstärken. Auf der anderen Seite verursachen Reize mit niedrigerer Frequenz eine Depression und folglich eine Schwächung der Verbindung (oder des synaptischen Gewichts) an der relevanten synaptischen Verbindung, was dem Vergessen von etwas Gelerntem ähnelt.
Es sollte betont werden, dass dies ein wenig zu stark vereinfacht ist und dass Empowerment und Depression nicht nur von der Frequenz der Beats, sondern auch vom Timing abhängen. Wenn beispielsweise viele Neuronen gleichzeitig Spitzen an eine Synapse senden, steigt das synaptische Gewicht viel schneller als eine Folge von Impulsen.
Forscher müssen über den Tellerrand schauen, um diesen Prozess bewusst nachzuahmen, weil er so anspruchsvoll und komplex ist.
Wie funktioniert ein neuromorpher Computer?
Die von Neumann-Architektur, die zum Bau moderner Computer verwendet wird, basiert auf Ideen, die erstmals in den 1930er Jahren von Alan Turing entwickelt wurden. Diese Konfiguration erfordert, dass Speicher- und Datenverarbeitungseinheiten getrennt gehalten werden, was die Leistung verlangsamt, da Daten zwischen ihnen hin und her gesendet werden müssen und unnötig mehr Strom verbrauchen.
Neuromorphe Computer hingegen verwenden Chiparchitekturen, die Berechnung und Speicher in einer einzigen Komponente vereinen. In Bezug auf die Hardware wird dieser Bereich erweitert und umfasst topaktuelle neue Designs, verschiedene Materialien und neue Computerteile.
Forscher aus der ganzen Welt arbeiten daran, synthetische Netzwerke aus Neuronen und Synapsen zu schaffen, die die Flexibilität des Gehirns nachahmen, wobei sie sowohl organische als auch anorganische Materialien verwenden. Die meisten großen neuromorphen Computer, die derzeit existieren, wie IBMs TrueNorth, Intels Loihi und BrainScale-2, verwenden Transistoren, die auf bewährter Metalloxid-Halbleitertechnologie basieren.
Von-Neumann-Computer verwenden häufig Transistoren als einen der elektronischen Bausteine. Es gibt Hunderte verschiedener Arten von Transistoren, wobei der Metalloxid-Halbleiter-Feldeffekttransistor oder MOSFET am beliebtesten ist. Sie fungieren in erster Linie als Schalter (und in geringerem Maße als Verstärker) für elektrische Ströme innerhalb eines Computerchips.
Dadurch kann sich jeder Transistor in einem Ein- oder Aus-Zustand befinden, was einer binären 1 oder 0 entspricht, und verhindert oder ermöglicht einen Stromfluss, sodass er in beiden Zuständen existieren kann. Dieses Funktionsprinzip macht das Speichern und Verarbeiten von Informationen denkbar einfach, weshalb elektronische Speicherzellen und Logikgatter zu unverzichtbaren Bestandteilen unserer digitalen Welt geworden sind.
Die elektrischen Signale in unserem Gehirn bestehen jedoch nicht nur aus 0 und 1. Beispielsweise kann eine Verbindung zwischen Synapsen unterschiedliche "Gewichte" oder Dichten haben.
Viele Tools wurden entwickelt, um dies auf einem neuromorphen Computer zu simulieren. Eine "aktive Schicht", die das Signal zwischen Einheiten moduliert, ist in einem bestimmten Typ von Halbleitertransistor enthalten, der als polymerer synaptischer Transistor bekannt ist. Die Leitfähigkeit und damit die Ausgabe des Signals wird durch die spezifische Zusammensetzung des leitfähigen Polymers beeinflusst, das zur Bildung dieser Schicht verwendet wird.
Wenn eine bestimmte Spannungsfrequenz über Transistoren angelegt wird, ändert sich die aktive Schicht und verursacht Depressionen oder Verstärkungen im elektrischen Signal, vergleichbar mit Spitzen in der Gehirnaktivität. Auf diese Weise kommt Plastizität ins Spiel, und jede Spitze enthält numerische Daten über Frequenz, Timing, Größe und Form. Die Spikes können in binäre Werte umgewandelt werden und umgekehrt, aber der genaue Prozess dafür wird derzeit untersucht.
Forscher haben über immer kreativere Wege zur Nachahmung der Gehirnstruktur unter Verwendung künstlicher Komponenten wie Memristoren, Kondensatoren, spintronischer Bauelemente und sogar einiger faszinierender Versuche zur Durchführung neuromorpher Berechnungen mit Pilzen berichtet. Neuromorphe Hardware ist auch nicht nur auf Transistoren beschränkt.
Wie programmiert man einen neuromorphen Computer?
Künstliche neuronale Netze (KNNs) werden häufig von neuromorphen Computern verwendet, um Rechenaufgaben auszuführen. Spiking Neural Networks (SNNs), eine der vielen Varianten von KNNs, sind von besonderem Interesse, da sie auf synthetischen Neuronen aufgebaut sind, die miteinander interagieren, indem sie elektrische Signale austauschen, die als "Spikes" bekannt sind, und die Zeit in ihre Modelle integrieren. Infolgedessen verbrauchen diese Systeme weniger Energie, da künstliche Neuronen nur dann Informationen senden, wenn die Gesamtzahl der von ihnen empfangenen Spikes eine bestimmte Schwelle überschreitet.
Bevor das Netzwerk arbeiten kann, muss es programmiert, also gelernt werden. Dies wird erreicht, indem man ihm Tatsachen gibt, aus denen er schöpfen kann. Die Lernstrategie kann je nach KNN-Typ variieren. Wenn das Netzwerk beispielsweise darauf trainiert wird, Katzen oder Hunde auf Fotografien zu erkennen, können Tausende von Bildern mit dem Tag "Katze" oder "Hund" gefüttert werden, um dem Subjekt bei zukünftigen Arbeiten beizubringen, es selbst zu erkennen. Die Manipulation der Farbe jedes Pixels im Bild erfordert äußerst mühsame Berechnungen zur Identifizierung.
Es gibt eine Vielzahl von KNNs, und welche zu verwenden ist, hängt von den Bedürfnissen des Benutzers ab. Obwohl SNNs aufgrund ihres geringen Stromverbrauchs attraktiv sind, sind sie im Allgemeinen schwierig zu trainieren, hauptsächlich aufgrund ihrer komplexen neuronalen Dynamik und der nicht unterscheidbaren Natur von Spiking-Prozessen.
Wo wird Neuromorphic Computing eingesetzt?
Experten zufolge werden neuromorphe Geräte herkömmliche Computerhardware eher ergänzen als ersetzen, insbesondere wenn es darum geht, bestimmte technologische Probleme zu lösen. Während es Behauptungen gibt, dass neuromorphe Computer die Boolesche Logik simulieren können, eine grundlegende Idee in jeder modernen Programmiersprache, deutet dies darauf hin, dass neuromorphe Computer möglicherweise Allzweck-Computing durchführen können.
In jedem Fall werden Bereiche und Anwendungen, in denen das Gehirn herkömmlichen Computern in Bezug auf Energieeffizienz und Rechengeschwindigkeit überlegen ist, sehr beeindruckend sein.
Dazu gehören die Anwendung künstlicher Intelligenz (KI) zur effektiven Durchführung kognitiver Aufgaben wie Stimm- oder Bilderkennung sowie die Erschließung neuer Möglichkeiten für Robotik, Sensorik und Gesundheitswesen (um nur einige zu nennen).
Obwohl das Thema noch in den Kinderschuhen steckt und Hürden zu überwinden sind, wird Neuromorphic Computing immer beliebter und bietet eine praktikable Alternative zu herkömmlichen Computersystemen.
Quelle: advancedsciencenews
📩 14/03/2023 15:25