[ad_1]
(Foco Nanowerk) Los memristores son componentes eléctricos que pueden cambiar su resistencia dependiendo del historial de voltajes que se les aplican. Esto les da un tipo de memoria similar a las conexiones sinápticas entre las neuronas del cerebro. Al igual que las sinapsis biológicas, los memristores pueden modularse para volverse más fuertes o más débiles con el tiempo. Se cree que esta plasticidad sináptica es el mecanismo celular detrás del aprendizaje y la memoria.
La mayoría de las investigaciones sobre memristores hasta la fecha se han centrado en el almacenamiento de datos en lugar de imitar el aprendizaje experiencial que ocurre en los cerebros biológicos. El cerebro humano fortalece los recuerdos mucho más rápido cuando se activan y modulan múltiples sentidos mediante neurotransmisores como la dopamina. Para aproximarse mejor a estas capacidades, investigadores en China se propusieron desarrollar un memristor que pudiera imitar la plasticidad sináptica dependiente de la experiencia.
En este trabajo, los científicos crearon memristores a partir de capas atómicamente delgadas de perovskita CaTa.2oh7 (CTO). Al aplicar diferentes voltajes, los dispositivos cambian reversiblemente entre estados de alta y baja resistencia impulsando iones de plata a través del CTO. Lo importante es que iluminar los dispositivos con luz ultravioleta aumenta este efecto de conmutación de resistencia.
El equipo informó sus hallazgos en Materiales funcionales avanzados (“Plasticidad mediada por neurotransmisores en memristor de perovskita 2D para el aprendizaje por refuerzo”).
El equipo demostró que este interruptor fotoasistido imita características importantes de la plasticidad sináptica biológica. Los pulsos de voltaje cortos dieron como resultado una potenciación a corto plazo de la conductividad del dispositivo, mientras que los pulsos sostenidos dieron como resultado una potenciación a largo plazo análoga a la formación de memoria. La luz ultravioleta controló el nivel de potenciación, imitando cómo los neurotransmisores fortalecen las conexiones sinápticas.
Es importante destacar que los memristores de perovskita mantuvieron sus resistencias programadas durante más de 10.000 segundos a temperatura ambiente. Mostraron un rendimiento estable incluso cuando se calentaron a 77 °C, lo que se atribuye a la estructura cristalina del CTO.
Utilizando estas capacidades de imitación sináptica, los investigadores configuraron una red neuronal simple y utilizaron memristores para procesar dígitos escritos a mano. La introducción del fortalecimiento sináptico mediado por luz durante el entrenamiento dio como resultado un aumento del 36 % en la precisión de la detección en comparación con los memristores sin iluminación UV.
Esta demostración a nivel de dispositivo del aprendizaje por refuerzo es un paso importante hacia chips neuromórficos que pueden aprender y adaptarse de forma autónoma como los cerebros biológicos. La IA actual se basa en fases separadas de capacitación e implementación, mientras que el aprendizaje experiencial permite una optimización continua del rendimiento.
Por lo tanto, la computación neuromórfica con sinapsis de memristores adaptativos podría conducir a una IA más potente y energéticamente más eficiente para tareas como el reconocimiento de patrones y la toma de decisiones. El autoaprendizaje también es crucial para que los robots inteligentes puedan interactuar de manera flexible con entornos del mundo real.
Los investigadores enfatizan que esto es sólo una prueba inicial de concepto para el uso de perovskitas 2D para el mimetismo sináptico. Todavía se necesita una investigación importante para integrar muchos memristores en procesadores neuromórficos completamente funcionales.
Sin embargo, este trabajo proporciona una plataforma de materiales prometedora para desarrollar memristores con la plasticidad sofisticada necesaria para la inteligencia artificial general. En el futuro, adaptar las propiedades de las perovskitas 2D podría crear memristores que estén sintonizados con varias reglas de aprendizaje específicas.
Los memristores CTO mostraron una potenciación estable a largo plazo y una reducción de la resistencia en respuesta a los pulsos de voltaje, imitando el fortalecimiento sináptico. Fundamentalmente, la exposición a la luz ultravioleta permitió la modulación de los niveles de potencia, imitando el papel de los neurotransmisores en el aprendizaje por refuerzo. Además, los dispositivos demostraron una sólida estabilidad de conmutación durante 10.000 segundos incluso a temperaturas elevadas.
Al integrar estos memristores en una red neuronal simple, los investigadores lograron una mejora significativa en la precisión del reconocimiento de escritura a mano. Esto muestra el potencial del uso de memristores de perovskita 2D para el aprendizaje por refuerzo en procesadores neuromórficos.
Teniendo en cuenta las capacidades combinadas de almacenamiento de memoria, modulación de resistencia adaptativa y procesamiento directo de información, este trabajo brinda oportunidades para desarrollar robots inteligentes capaces de realizar aprendizaje experiencial. La detección, el procesamiento y el almacenamiento totalmente integrados en un único componente memristivo podrían permitir una neurocomputación más autónoma y energéticamente más eficiente.
Los autores señalan que se necesita más investigación para construir sistemas neuromórficos a gran escala, pero este estudio ofrece una plataforma de materiales prometedora para la inteligencia artificial general con capacidades de aprendizaje sofisticadas y realistas.
De
Miguel
Berger
– Michael es autor de tres libros de la Royal Society of Chemistry: Nano-Society: Pushing the Boundaries of Technology, Nanotechnology: The Future is Tiny y Nanoengineering: The Skills and Tools Making Technology Invisible Copyright ©
Nanowerk LLC
¡Conviértete en autor invitado de Spotlight! Únase a nuestro gran y creciente grupo de autores invitados. ¿Acaba de publicar un artículo científico o le gustaría compartir otros desarrollos interesantes con la comunidad de nanotecnología? Cómo publicar en nanowerk.com.
[ad_2]