Memristoren gelten als Grundlage für künstliche Neuronen im neuromorphen Computing. Jetzt ist Wissenschaftlern mit dem komplexen Bauteil ein Durchbruch gelungen.

Neuromorphe Computer sollen die Energieeffizienz und Leistungsfähigkeit biologischer Gehirne in menschengemachter Hardware realisieren. Doch bisher gibt es kein Bauteil, das allein das Verhalten eines biologischen Neurons nachbilden kann.

Als elementarer Baustein eines möglichen Hardware-Neurons gelten schon lange sogenannte Memristoren. Der Memristor wurde 1971 vom amerikanischen Mathematiker und Computerwissenschaftler Leon Chua theoretisch beschrieben. Der Name setzt sich aus dem englischen memory (Speicher) und resistor (elektrischer Widerstand) zusammen.

Ein Memristor ähnelt in seiner Funktionsweise einer biologischen Synapse. In einem Computerchip kann er Signale von anderen Memristoren in Form von Ionen empfangen und diese weiter an den nächsten Memristor senden.

Das erzeugte Signal variiert dabei je nach Stärke des ursprünglich empfangenen Signals. Damit kann ein einzelner Memristor verschiedene Zustände oder Werte annehmen und speichern. Memristor-Chips können den schnellen Informationsaustausch des Gehirns durch kurzfristige Spannungspulse (Spikes) nachbilden.

Erste Memristor-Varianten gibt es seit 2007, gebaut wurden sie vom amerikanischen Nanotechnologiespezialisten Richard Stanley Williams, der damals für das IT-Unternehmen Hewlett-Packard arbeitete.

Das vom Memristor abbildbare periodische Pulsen deckt aber nur einen Teil der Aktivität biologischer Neuronen ab. Ein echtes Hardware-Neuron muss mehr leisten, etwa das explosionsartige Aussenden von Pulsen in sogenannten “Bursts” oder die Nachbildung der selbsterhaltenden Oszillationen eines Neurons.

Ein künstliches Neuron mit Memristor

Nun stellt Williams, der mittlerweile an der Texas A&M Universität arbeitet, in Kooperation mit Suhas Kumar von Hewlett-Packard und dem Stanford-Forscher Ziwen Wang ein Bauteil vor, das die Anforderungen an ein Hardware-Neuron erfüllt.

In ihrem Aufsatz in der Fachpublikation Nature beschreiben die Forscher ein Bauteil, das elektrischen Widerstand und Kapazität mit einem Mott-Memristor verbindet. Ein Mott-Memristor ist eine besondere Form des klassischen Memristors, der temperaturgetriebene Veränderungen des Widerstands erlaubt.

Nott-Memristor im Querschnitt

Fünf Jahre haben die Forscher benötigt, eine geeignete Zusammensetzung für den Mott-Memristor zu finden. Wichtigstes Element ist die winzige Schicht Nioboxid. Bild: Kumar et al.

Dieser Prozess findet in einer Schicht Nioboxid (NbO2) im Memristor statt. Bei Gleichspannung erwärmt sich das Material und wird leitend. Dadurch wird die aufgebaute Spannung weitergleitet.

Anschließend kühlt das Gerät wieder ab und die Nioboxid-Schicht wirkt isolierend. Diese Spannungsfreigabe entspricht dem Aktionspotenzial eines Neurons. Der Einsatz des Mott-Memristors und die genaue chemische Zusammensetzung erlaubt der Technologie, eine Vielzahl unterschiedlicher neuronaler Verhaltensweisen zu reproduzieren.

Fleißarbeit, die Jahrzehnte dauert

Dreißig Jahre hat es bis zum ersten Memristor benötigt, die Forschung am Mott-Memristor von Williams, Kumar und Wang dauerte fünf Jahre. Die genaue Zusammensetzung des Mott-Memristors könne man nicht per Zufall finden, so Williams, “in diesem kleinen Stück Material auf Nanoebene geht eine Menge vor sich”.

Bis das Hardware-Neuron zum Einsatz kommt, gibt es noch einiges zu tun. Kumar und Williams wollen etwa weitere Materialvarianten für den Mott-Memristor testen. Denn für NbO2 wird der Schalter erst bei 800 Grad Celsius umgelegt. Das passiert zwar nur in einer Schicht von wenigen Nanometern, aber in einem neuromorphen Computer mit Millionen dieser Bauteile könnte die Hitze zum Problem werden.

Dennoch sei das Hardware-Neuron ein echter “Memristor-Durchbruch”, schreibt das Institute of Electrical and Electronics Engineers. Es könnte langfristig in neuromorphen Computern den Rechenleistungs- und Energieverbrauch-Flaschenhals aktueller von-Neumann-Computerarchitektur überwinden und “die energieeffiziente Validierung neurowissenschaftlicher Modelle” ermöglichen, so die Forscher.

Titelbild: MIT | Via: Nature, Readcube (Supplement)

Weiterlesen über Künstliche Intelligenz:

steady2

MIXED.de Podcast: VR, AR und KI - jede Woche neu

Jetzt reinhören: Alle Folgen


Hinweis: Links auf Online-Shops in Artikeln können sogenannte Affiliate-Links sein. Wenn ihr über diesen Link einkauft, erhält MIXED.de vom Anbieter eine Provision. Für euch verändert sich der Preis nicht.