IBM-Forscher imitieren Neuronen-Aktivitäten

IBM imitiert mit der Phase-Change-Technologie die Funktion eines Neurons. Die Neuronen feuern zufällig und können so Daten und Informationen auf ähnliche Weise abspeichern wie das menschliche Gehirn. Dabei werden die Informationen auch nicht digital sondern analog gespeichert. Damit gelingt IBM laut eigenen Angaben ein großer Schritt hin zum so genannten Neurocomputer, der vor allem bei neuen Anwendungen wie IoT oder dem Cognitive Computing deutlich höhere Leistung verspricht, als klassische Rechnerarchitekturen.

Durch das Phase-Change-Material können die Forscher zudem sehr energieeffizient rechnen. Daher versuchen mehrere Forschergruppen seit Jahren, die Funktionen des menschlichen Gehirns nachzubauen. Diese Versuche scheiterten jedoch daran, dass es nicht möglich war, die Dichte und die Energie zu liefern, die eigentlich für die Prozesse nötig wären, wie sie die Biologie vorlebt.

Für die künstlichen Neuronen haben die IBM-Forscher ein Material aus Germanium-Antimon-Tellurid mit einer Fertigungsbreite von 90 Nanometern verwendet. Diese Mischung weise zwei stabile Zustände auf: Eine ungeordnete Struktur der Atome sorgt für einen amorphen Zustand. Außerdem hat das Material kristalline Eigenschaften, die aus der gleichmäßigen Struktur der Atome und der hohen Leitfähigkeit des Materials resultieren. Die gleiche Mischung komme auch unter anderem in beschreibbaren Blu-Ray-DVDs vor.

Die Forscher stimulieren die Neuronen durch elektrische Impulse (durch die Nadeln im Bild oben). Durch diese Impulsreihe kristalisiert das Material mehr und mehr. Anschließend leitet das Neuron ein Signal weiter. Bei natürlichen Nervenzellen spricht man dabei von der “integrate-and-fire”-Eigenschaft.

Ein einzelnes Phase-Change-Neuron kann bereits zur Erkennung von Mustern und Korrelationen in einer Vielzahl von ereignisbasierten Datenströmen genutzt werden. In dem Versuch hatten die Forscher hunderte künstliche Neuronen in Gruppen angeordnet, um so schnelle und komplexe Signale verarbeiten zu können. So belegten die Forscher, dass sich auch große Mengen an Neuronen zusammenschalten lassen.

Die Schaltkreise sind vergleichsweise stabil und überstanden bereits mehrere Milliarden von Zyklen. Bei einer Taktfrequenz von 100 Hz entspricht das einer Lebensdauer von mehreren Jahren. Auch der Stromverbrauch dieser “Neuronen” ist vergleichsweise gering; weniger als fünf Pikojoule und im Schnitt weniger als 120 Mikrowatt.

“Seit mehr als einem Jahrzehnt erforschen wir nun Phase-Change-Materialien für Speicheranwendungen und unsere Fortschritte in den letzten zwei Jahren sind beachtlich”, kommentiert Dr. Evangelos Eleftheriou, IBM Fellow und Leiter des Departementes Cloud & Computing Infrastructure bei IBM Research. “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.”

Eine Einsatzmöglichkeit ist beispielsweise das Internet der Dinge: Sensoren auf Basis der neuen Phase-Change-Neuronen könnten große Mengen an Wetterdaten erfassen, auswerten und deutlich schneller und zuverlässiger hochaufgelöste Vorhersagen ermöglichen. Auch bei der Mustererkennung von Finanztransaktionen ließe sich die Technolgie einsetzen.

Schaltet man diese Neuronen zu größeren Gruppen zusammen, dann könnten die auch bestimmte Aufgaben auf Co-Prozessoren übernehmen und beispielsweise Speicher- und Verarbeitungseinheiten kombinieren. “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”, sagt Dr. Tomas Tuma, Erstautor des Papers.

Die IBM-Forscher haben es mit dieser aktuellen Arbeit auch auf das Cover der Augustausgabe des renommierten Journals Nature Nanotechnology geschafft. Die Publikation enthält weitere Details zu den “Stochastic phase-change neurons”.