Un novedoso sistema integrado de dispositivos neuromórficos

(a) Ilustración estructural y funcional de la sinapsis biológica. (b) Ilustración del dispositivo FMES. El recuadro muestra el proceso de difusión dinámica. (c) Imagen óptica del dispositivo FMES. (d) Esquema que explica el diagrama de circuito correspondiente y el desacoplamiento de las operaciones de lectura y escritura. ( e ) Corriente postsináptica monitoreada bajo varios pulsos de voltaje secuenciales. Crédito: Ciencia Prensa China

La computación neuromórfica es un modelo de procesamiento de información que simula la eficiencia del cerebro humano con multifuncionalidad y flexibilidad. Actualmente, los dispositivos sinápticos artificiales representados por memristores se han utilizado ampliamente en la computación morfológica neuronal y se han desarrollado diferentes tipos de redes neuronales.

Sin embargo, lleva mucho tiempo y es laborioso realizar la fijación y redistribución de los pesos almacenados por los dispositivos sinápticos artificiales tradicionales. Además, la fuerza sináptica se reconstruye principalmente a través de la programación de software y cambiando el tiempo de pulso, lo que puede resultar en una baja eficiencia y un alto consumo de energía en las aplicaciones informáticas de morfología neuronal.

En un artículo de investigación novedoso publicado en la revista con sede en Beijing Revista Nacional de Cienciasla profesora Lili Wang de la Academia de Ciencias de China y sus colegas presentan una nueva red neuronal de hardware basada en un sistema de almacenamiento de energía MXene (FMES) ajustable y flexible.

El sistema consta de electrodos postsinápticos flexibles y nanoláminas MXene, que se conectan con los electrodos presinápticos mediante electrolitos. Los cambios potenciales en el proceso de migración de iones y adsorción en el supercondensador pueden simular la transmisión de información en el espacio sináptico. Además, el voltaje del sistema FMES representa el peso sináptico de la conexión entre dos neuronas.

Los investigadores exploraron los cambios de la facilitación de pulsos emparejados bajo diferentes niveles de resistencia para investigar el efecto de la resistencia en el aprendizaje avanzado y el comportamiento de la memoria del sistema sináptico artificial de FMES. Los resultados revelaron que cuanto mayor sea la desviación estándar, mayor será la capacidad de memoria del sistema.

En otras palabras, con la mejora continua de la resistencia eléctrica y el tiempo de estimulación, se mejora gradualmente la capacidad de memoria del sistema sináptico artificial de FMES. Por lo tanto, el sistema puede controlar efectivamente la acumulación y disipación de iones al regular el valor de resistencia en el sistema sin cambiar el estímulo externo, que se espera que realice el acoplamiento de las señales de detección y el peso de almacenamiento.

El sistema FMES se puede utilizar para desarrollar redes neuronales y realizar diversas tareas de computación morfológica neuronal, lo que hace que la precisión de reconocimiento de conjuntos de dígitos escritos a mano alcance el 95 %. Además, el sistema FMES puede simular la adaptabilidad del cerebro humano para lograr el reconocimiento adaptativo de conjuntos de datos objetivo similares. Después del proceso de entrenamiento, la precisión del reconocimiento adaptativo puede alcanzar aproximadamente el 80% y evitar la pérdida de tiempo y energía causada por el recálculo.

«En el futuro, sobre la base de esta investigación, se pueden integrar diferentes tipos de sensores en el chip para realizar aún más la arquitectura integrada de computación de detección multimodal», afirmó la profesora Lili Wang, «el dispositivo puede realizar cálculos de baja energía y se espera que resolver los problemas de alto ruido de escritura, diferencia no lineal y difusión bajo voltaje de polarización cero en ciertos sistemas morfológicos neuronales».