Pieter Edelman
4 August 2016

IBM Research in Zürich denkt dat faseveranderingsgeheugen de sleutel kan zijn tot efficiënte kunstmatige neurale circuits. In Nature Nanotechnology beschrijft het bedrijf hoe het een materiaal gebruikt dat ook in herschrijfbare dvd’s te vinden is om de actiepotentiaal van een biologische hersencel na te bootsen. Een 90 nm-testchip met vijfhonderd kunstmatige neuronen bleek in staat te zijn een aantal eenvoudige signaalbewerkingstoepassingen te kunnen uitvoeren.

In een biologisch neuron worden elektrische pulsen die het ontvangt van verschillende andere hersencellen opgeteld in het ladingsverschil tussen de binnen- en buitenkant. Wanneer deze membraanpotentiaal groter wordt dan een drempelwaarde, genereert het neuron zelf een elektrische puls voor alle aangesloten zenuwcellen. De membraanpotentiaal vervalt vervolgens en het hele proces begint opnieuw.

IBM bootst dit na met een laagje GeSbTe tussen twee elektroden, dat met een elektrische puls in een amorfe, elektrisch isolerende toestand wordt gebracht. Onder invloed van kleine elektrische pulsjes begint het materiaal langzaam weer te kristalliseren. Na een aantal pulsen is de kristallisatie zo ver gevorderd dat de schakeling geleidend wordt en er een stroompje gaat lopen. Een reset-puls brengt het materiaal vervolgens weer in isolerende toestand.

Volgens IBM heeft dit model een aantal aantrekkelijke eigenschappen. Ten eerste is er de schaalbaarheid: de neuronwerking kan geïmplementeerd worden zonder logische schakelingen of condensatoren, in tegenstelling tot een aantal andere kunstmatige neuronen. IBM schat dat voor een enkel neuron een half tot een vierkant micrometer nodig is in een 14 nm-proces.

Daarnaast bootst de aanpak twee belangrijke eigenschappen van biologische neuronen na. Net als echte hersencellen reageert de schakeling niet lineair op de inputs, en net als in de biologische variant is er een zekere onvoorspelbaarheid in de mate van kristallisatie waardoor het gedrag enigszins stochastisch wordt. Deze factoren kunnen een rol spelen in neuromorfische algoritmen.

Het IBM-neuron heeft overigens wel een aantal tekortkomingen ten opzichte van een biologisch neuron. Ze kent een biologische zenuwcel naast stimulerende ook onderdrukkende pulsen, die de actiepotentiaal juist verlagen in plaats van verhogen. Om dit te realiseren in IBM’s model zoud een schakeling met meerdere faseveranderingscellen gemaakt moeten worden.

Ook zijn echte neuronen ‘lek’; de actiepotentiaal vervalt in de loop der tijd, en als er een tijdje geen pulsen arriveren moet deze weer helemaal opnieuw worden opgebouwd. Dit verval is een essentieel onderdeel van veel neuromorfische rekenmodellen. Om dit mogelijk te maken, zullen echter ook externe kunstgrepen moeten worden toegepast.