Российские физики создали «электронные синапсы» для нейросетей |
||
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2016-04-15 17:20 руппа ученых из Московского физико-технического института (МФТИ) создала прототипы наноразмерных «электронных синапсов» на основе сверхтонких пленок оксида гафния. При этом созданные наноустройства проявляют свойства, аналогичные биологическим синапсам. С помощью разработанной технологии мемристоры были объединены в матрицы: в перспективе это позволит создавать компьютеры, работающие на принципах биологических нейронных сетей. Мемристоры (memory+resistor) - устройства, способные менять свое состояние (проводимость) в зависимости от протекшего через них заряда, и, таким образом, имеющие память о своей «предыстории». В данной работе использовались устройства на основе пленок оксида гафния - материала, который уже используется в производстве современных процессоров. С этой точки зрения, разработанная лабораторная технология, если потребуется, может быть легко внедрена в промышленность. Синапс - ключ к обучению и памяти Синапс - это место соединения нейронов, основная функция которого - передача сигнала от одного нейрона к другому. Каждый нейрон может иметь тысячи синапсов, то есть, связываться с огромным числом других нейронов. Это позволяет обрабатывать информацию не в последовательном (как делают современные компьютеры), а в параллельном режиме. Именно в этом, по мнению специалистов, кроется причина столь фантастической эффективности «живых» нейронных сетей. С точки зрения физики, трактовка «памяти» и «обучения» синапса в мозге может быть следующей: соединение нейронов обладает какой-то определенной «проводимостью», значение которой определяется историей прошедших через соединение сигналов. При этом, если синапс передает возбуждение от одного нейрона к другому, то мы можем сказать, что у него высокая «проводимость», а если нет - то низкая. Однако, синапсы работают не просто в режиме выключено/включено, а могут иметь любой промежуточный «вес» (промежуточное значение проводимости). Соответственно, если мы хотим имитировать их с помощью каких-нибудь устройств, то они должны обладать именно такими - «аналоговыми» характеристиками. Мемристор как аналог синапса Как и у биологического синапса, величина электрической проводимости мемристора является итогом всей его предыдущей «жизни» - от самого момента изготовления. Есть несколько физических эффектов, на основе которых можно создавать мемристоры. В данной работе авторы использовали устройства на основе тонкопленочного оксида гафния, в которых наблюдается эффект обратимого электрического пробоя под действием приложенного электрического поля. Чаще всего в таких устройствах используют только два разных состояния, кодирующих логические ноль и единицу. Однако, для имитации биологических синапсов необходимо было реализовать непрерывный набор проводимостей в изготовленных устройствах. На созданных «аналоговых» мемристорах авторы смоделировали несколько механизмов обучения («пластичность») биологических синапсов. В частности, речь идет о таких функциях, как долговременное усиление или ослабление связи между двумя нейронами. Общепринято, что именно эти явления лежат в основе механизмов памяти. Также авторам удалось продемонстрировать более сложный механизм - так называемую временную пластичность («spike-timing-dependent plasticity»), то есть зависимость величины связи между нейронами от относительного времени их «срабатывания». Ранее было показано, что именно этот механизм отвечает за ассоциативное обучение - способности мозга находить связи между разными событиями. При этом для демонстрации такой функции в своих мемристорных устройствах авторы специально использовали электрические сигналы, подаваемые на электроды мемристоров, по форме воспроизводящие сигналы в живых нейронах, и получили зависимость, очень похожую на те, которые наблюдаются в живых синапсах. Все это позволило авторам утверждать, что созданные ими элементы можно рассматривать как прототип «электронного синапса», на основе которого можно создавать искусственные нейронные сети «в железе». Источник: www.robogeek.ru Комментарии: |
|