Paris. 05.04.17 – Französische Forscher haben eine künstliche Synapse entwickelt, die zu autonomem Lernen fähig ist. Zudem konnten die Experten erstmals modellieren, wie dieser Lernprozess vonstatten geht. „Unsere Simulationen zeigen, dass Anordnungen ferroelektrischer Nanosynapsen auf vorhersehbare Weise lernen können, Muster zu erkennen“, schreibt das Team in „Nature Communications“. Das eröffne die Möglichkeit gepulster neuronaler Netze, die unbeaufsichtigt lernen – ähnlich dem Gehirn…
Cleveres Hardware-Lernen
Lernen ist ein Kernthema in der KI-Forschung, und lernende Algorithmen spielen beispielsweise in der Bilderkennung eine immer größere Rolle. Allerdings sind Algorithmen einfach Software, während im menschlichen Gehirn die Hardware in Form von Synapsen eine wesentliche Rolle beim Lernen spielt. Denn desto stärker eine Synapse genutzt wird, desto stärker wird die Verbindung und der Lerneffekt. Eben das künstlich nachzubilden, könnte letztendlich energieeffizientere selbstlernende Computersysteme ermöglichen.
Das Team unter der Leitung des gemeinsamen Labors Unité Mixte de Physique (UMPhy) http://cnrs-thales.fr/?lang=en der französischen Forschungsstelle CNRS und der Thales Group hat nun eine lernende künstliche Synapse in Form eines Memristors gebaut. Das selbst ist kein neuer Ansatz. Doch betont das CNRS, dass es den Forschern erstmals gelungen ist, auch ein physikalisches Modell zu entwickeln, dass vorhersagen kann, wie die künstlichen Synapsen lernen. Das bereite den Weg für energieeffiziente Hardware-Umsetzungen von Milliarden zuverlässiger und vorhersagbarer künstlicher Synapsen in vom Gehirn inspirierten Computern.
Lernschlüssel Leitfähigkeit
Eine Memristor-Synapse besteht aus einer dünnen ferroelektrischen Schicht zwischen zwei Elektroden. Deren Leitfähigkeit kann ähnlich wie in Neuronen durch Strompulse gesteuert werden. Ein geringer elektrischer Widerstand bedeutet dabei eine starke Verbindung und umgekehrt. Die Lernfähigkeit der künstlichen Synapse hängt also mit der Möglichkeit zusammen, die Leitfähigkeit zu steuern. Die aktuelle Arbeit hat betrachtet, wie sich Leitwert-Veränderungen entwickeln und gezeigt, dass die Entwicklung in Abhängigkeit vom Steuersignal vorhersehbar ist.
Zum Fachartikel „Learning through ferroelectric domain dynamics in solid-state synapses“: http://www.nature.com/articles/ncomms14736
Aussender: pressetext, Thomas Pichler
Foto: Sören Boyn, UMPhy
Redaktion: Torben Gösch