Made in IBM Labs:

IBM Forscher imitieren die Funktionalität von Neuronen in Phase-Change-Technologie

Top story

English | German

Zürich, Schweiz, 3. August 2016—Wissenschaftlern des IBM Forschungszentrums in Rüschlikon ist es gelungen, zufällig feuernde Neuronen aus Phase-Change-Material herzustellen. Diese Phase-Change-Neuronen können ähnlich wie ihre Vorbilder im menschlichen Gehirn Daten speichern und verarbeiten. Die vorliegende Arbeit ist ein bedeutender Schritt in der Erforschung von energieeffizienten neuromorphen Computern, in denen Speicher- und Verarbeitungseinheiten sehr dicht integriert sind. Solche sogenannten Neurocomputer stellen einen Ansatz dar, um grosse Datenmengen, insbesondere bei IoT- oder Cognitive-Computing-Anwendungen, viel effizienter und schneller zu verarbeiten. Die Arbeit ist in der heute veröffentlichten August-Ausgabe des renommierten Journals Nature Nanotechnology erschienen und wurde auch für das Cover ausgewählt.

Phase-change neuronsInspiriert durch die Funktionsweise des mensch­lichen Gehirns haben Wis­sen­schaft­ler jahr­zehn­te­lang ver­sucht, die viel­sei­ti­gen Ver­ar­bei­tungs­fähig­kei­ten von Neu­ro­nen­grup­pen nach­zu­bilden. Bis­lang war es je­doch eine grosse Her­aus­for­de­rung, ent­spre­chen­de Dich­ten und Ener­gie­budgets zu er­rei­chen, die ver­gleich­bar sind mit denen in der Biologie.

„Seit mehr als einem Jahrzehnt erforschen wir nun Phase-Change-Materialien für Speicheranwendungen und unsere Fortschritte in den letzten zwei Jahren sind beachtlich“, sagt Dr. Evangelos Eleftheriou, IBM Fellow und Leiter des Departementes Cloud & Computing Infrastructure bei IBM Research – Zürich. „In dieser Zeit wurden neue Memory-Technologien entwickelt, wie Projected Memory und Multi-Bit-PCM mit 3 Bits pro Zelle. Nun haben wir Phase-Change-Neuronen demonstriert, die verschiedene elementare Berechnungen wie die Erkennung von Datenkorrelationen und nicht überwachte Lernprozesse mit grosser Geschwindigkeit und geringem Stromverbrauch durchführen können.“

Die künstlichen Neuronen bestehen aus Germanium-Antimon-Tellurid, das zwei stabile Zustände — einen amorphen (ungeordnete Struktur der Atome, geringe Leitfähigkeit) und einen kristallinen (gleichmässige Struktur der Atome, hohe Leitfähigkeit) — aufweist. Aus diesem Material werden zum Beispiel wiederbeschreibbare Blu-Ray DVDs hergestellt. Die künstlichen Neuronen speichern Informationen allerdings nicht digital sondern analog.

Gruppen von Phase-Change-Neu­ro­nen könn­ten zu­sam­men mit an­de­ren neu­ro­mor­phen Bau­tei­len wie künst­li­che Sy­nap­sen ein wich­ti­ger Schlüs­sel für die Ent­wick­lung ei­ner neu­en Ge­ne­ra­tion von sehr dich­ten Neu­ro­com­pu­ter­syste­men sein.

— Dr. Tomas Tuma
Erstautor

Durch eine Serie von elektrischen Im­pul­sen wer­den die ein­zel­nen Neu­ro­nen sti­mu­liert. Da­durch kri­stal­li­siert das Ma­teri­al mehr und mehr, bis das Neu­ron das Sig­nal letzt­end­lich wei­ter­lei­tet. In den Neu­ro­wis­sen­schaf­ten wird die­ses Funk­tions­prin­zip als „inte­grate-and-fire-Eigen­schaft“ von bio­lo­gi­schen Neu­ro­nen be­zeich­net. Die­ser Vor­gang ist im Prin­zip ver­gleich­bar mit der Re­ak­tion des Ge­hirns auf ei­nen äus­se­ren Reiz und bil­det da­mit die Grund­la­ge der er­eig­nis­ba­sier­ten Da­ten­ver­ar­bei­tung. Schon ein ein­zel­nes Phase-Change-Neu­ron kann so zur Er­ken­nung von Mus­tern und Kor­re­la­tio­nen in ei­ner Viel­zahl von er­eig­nis­ba­sier­ten Da­ten­strö­men ge­nutzt wer­den.

Dar­über hin­aus ord­ne­ten die For­scher hun­der­te künst­liche Neu­ro­nen in Grup­pen an, um schnelle und kom­ple­xe Sig­na­le zu ver­ar­bei­ten. Die künst­lichen Neu­ro­nen über­stan­den nach­weis­lich Mil­liar­den von Schalt­zy­klen, was einem mehr­jähri­gen Be­trieb bei ei­ner Up­date-Fre­quenz von 100 Hz ent­spricht. Für jedes Update — also jeden einzelnen elektrischen Impuls — wurden weniger als fünf Pikojoule und durchschnittlich weniger als 120 Mikrowatt verbraucht. Zum Vergleich: eine 60 Watt Glühbirne verbraucht 60 Millionen Mikrowatt. Die jedem Neuron zugrundeliegende Phase-Change-Zelle wurde in 90-nm-Technologie gefertigt. Die Forscher konnten prinzipiell die technische Machbarkeit der Signalverarbeitung in grösseren Populationen und damit das Potenzial der Technologie für zukünftige Big-Data-Anwendungen aufzeigen.

Beispielsweise, im Internet der Dinge könnten Sensoren auf Basis von Phase-Change-Neuronen grosse Mengen an Wetterdaten erfassen, auswerten und so schneller, hochaufgelöste Vorhersagen ermöglichen. Ausserdem könnte die Technologie Muster in Finanztransaktionen in nahezu Echtzeit aufzeigen oder neue Trends in Daten aus sozialen Netzwerken entdecken. Grössere Gruppen dieser sehr schnellen und energieeffizienten Neuronen könnten ausserdem in neuromorphen Co-Prozessoren mit kombinierten Speicher- und Verarbeitungs-Einheiten verwendet werden.


Die Arbeit „Stochastic phase-change neurons“ von Tomas Tuma, Angeliki Pantazi, Manuel Le Gallo, Abu Sebastian und Evangelos Eleftheriou erschien in Nature Nanotechnology (2016), doi:10.1038/nnano.2016.70

Eine weitere Arbeit des IBM Teams, in dem sie demonstrieren, wie sie Phase-Change-Neuronen mit Phase-Change-Synapsen kombinieren können, wurde in IEEE Electron Device Letters veröffentlicht: „Detecting correlations using phase-change neurons and synapses“, Tomas Tuma, Manuel Le Gallo, Abu Sebastian, Evangelos Eleftheriou, 10.1109/LED.2016.2591181

Press contact

Chris Sciacca
Media Relations
IBM Research - Zurich
Tel +41 44 724 84 43

Share/Bookmark
[an error occurred while processing this directive]
[an error occurred while processing this directive]