Коли ви чуєте звук, активуються тільки деякі нейрони у слуховій зоні кори вашого мозку. Це зв'язано з тим що кожен слуховий нейрон налаштований на конкретний діапазон звуків, так що кожен нейрон є більш чутливим до окремих типів та рівнів звуку в порівняні з іншими. В новому дослідженні, дослідники створили нейроморфну ( "натхнену  мозком" ) обчислювальну систему яка копіює цю нейрону вибірковість, використовуючи штучні нейрони з регулюванням рівня які переважно відповідають на особливі типи стимулів.

В майбутньому програмовані нейрони можуть допомогти нейроморфним обчислювальним системам виконувати такі завдання на які не здатні звичайні комп'ютери, як наприклад: навчання на основі оточення, розпізнавання образів та виділення інформації з великих об'ємів даних.

Дослідники  Angeliki Pantazi et al., з IBM Research-Zurich та École Polytechnique Fédérale de Lausanne, обидна знаходяться у Швецарії, опублікували статтю по новій нейроморфній архітектурі у останньому випуску журналу Nanotechnology (Angeliki Pantazi et al. All-memristive neuromorphic computing with level-tuned neurons. Nanotechnology ) .

Як і усі інші нейроморфні комп'ютерні архітектури, запропонована система заснована на нейронах та їх синапсах, які є місцем з'єднання та де нейрони передають сигнали один одному. У дослідженні вчені фізично реалізували штучні нейрони використовуючи метастабільні матеріали. Такі матеріали мають два стабільних стани: кристалічний - стан з низьким опором та аморфний - стан з високим опором. Так само як і в традиційних обчислювальних системах, стани можна змінювати прикладаючи електричну напругу. Коли провідність нейрона досягає певного порогового стану, нейрон починає працювати.

"Ми продемонстрували, що мемрісторні пристрої на основі зміни фазового стану, можна використовувати для створення штучних нейронів та синапсів для збереження та обробки даних", повідомив соавтор Evangelos Eleftheriou з IBM Research-Zurich . "Нейрони зі  зміною фази використовують певну фазову конфігурацію метастабільного матеріалу для представлення їх внутрішнього стану - мембранного потенціалу. На фазозміних синапсах, синаптична вага (коефіцієнт), яка відповідає за пластичність, кодується провідністю нанопристроїв"

В такій архітектурі кожен нейрон налаштований на певний діапазон або рівень. Нейрони отримують сигнали від великої кількості інших нейронів, тому рівень сигналу визначається кумулятивним сумарним вкладом усіх вхідних сигналів.

програмовані нейрони можна навчити розпізнавати два образи серед великої різноманітності вхідних сигналів (зображено розпізнавання лого IBM та тексту IBM Research Zurich)

"Ми запропонували таку архітектуру (що була натхнена біологією) для програмованих нейронів, що вона здатна розрізняти різні шаблони (образи) самостійно (без зовнішнього налаштування)" відмітив Eleftheriou . "Це є важливим для розвитку ультра-щільних, маштабованих та енергоефективних нейроморфних обчислень."

Одна з найважливіших переваг цих високо-селективних програмованих нейронів є їх підвищена здатність до навчання. У нейроморфних обчисленнях навчання відбувається за рахунок повторюваних вхідних сигналів, які підсилюють певні синаптичні зв'язки. Дослідники показали, що програмовані нейрони гарно підходять для вивчення множинних вхідних образів навіть за наявності вхідного шуму.

Eleftheriou  продовжує: "Навіть окремий нейрон можна використовувати для розпізнавання образів та для визначення кореляцій в потоці даних генерованих в реальному масштабі часу". "Програмовані нейрони підвищують здатність одно-шарової нейронної мережі на розділення інформації у випадку появи на вході декількох образів. Програмовані нейрони, реалізовані на базі метастабільних матеріалів, за рахунок високої швидкості та малого споживання енергії будуть винятково корисні для багатьох застосувань що зараз виникають, такі як Інтернет Речей, де збираються та оброблюються великі об'єми інформації від сенсорів та застосування для визначення шаблонів у таких джерелах даних як соціальні медіа або обробка синоптичної інформації для прогнозів погоди у реальному масштабі часу та медичної інформації для визначення діагнозів і т.д."

У майбутньому дослідники планують далі розвивати концепцію штучних програмованих нейронів для створення удосконалених нейронних мереж великого масштабу.

Eleftheriou  прогнозує: "Ми спробуємо більш складні обчислювальні завдання використовуючи штучні пічкові нейрони та їх синапси. Ми зацікавлені у дослідженні потенціалу масштабування та застосувань подібних нейроморфних у обчислювальних системах які навчаються"

 

Вгорі зображення нейроморфної архітектури зі штучними програмованими нейронами. Внутрішній стан головного нейрону використовується для встуновлення стану декількох програмованих нейронів

За матеріалами сайту: phys.org