Energiezuinige dataverwerking door lerende magneten

Radboud Universiteit bouwt eerste kunstmatige neurale netwerk als opmaat naar energiezuinige computer met chips die geïnspireerd zijn op de werking van het menselijk brein.

Trefwoorden: #bit, #brein, #computer, #data, #energie, #informatie, #Johan Mentink, #lichtpulsjes, #magneten, #netwerk, #neuraal, #ompoling, #opslaan, #Radboud Universiteit, #spins, #synaps, #verwerken

Lees verder

research

( Foto: Radboud Universiteit - Ashim Chakravarty )

ENGINEERINGNET.BE - Het menselijk brein gebruikt vele malen minder energie dan de huidige computers om dezelfde hoeveelheid informatie te verwerken. Ons brein kan namelijk informatie parallel verwerken en opslaan door verbindingen sterker en zwakker te maken.

‘We wilden kijken of we deze eigenschap van plasticiteit ook konden inbouwen in een kunstmatig systeem, in combinatie met de al langer bekende snelle en zuinige techniek waarmee we magnetisme met licht controleren’, aldus Johan Mentink, natuurkundige aan de Radboud Universiteit.

Snelle en energiezuinige dataopslag is al mogelijk met magnetisme. Door korte lichtpulsjes op een magnetisch materiaal af te vuren worden magnetische spins in het materiaal omgepoold, waardoor een bit van een 0 in een 1 verandert.

‘Om deze magneten zich te laten gedragen als synapsen, zoals in het brein, waarmee tegelijk data wordt opgeslagen en nieuwe informatie verwerkt, moeten ze continu kunnen veranderen’, aldus Mentink.

‘We hebben de magneten deze eigenschap gegeven door ervoor te zorgen dat de magnetische toestand in het materiaal geleidelijk verandert onder invloed van licht, in plaats van een volledige ompoling in één keer.’

Dit nieuwe plastische kenmerk maakte de weg vrij om een klein kunstmatig neuraal netwerk te bouwen, waarbij twee losse gebiedjes in de magneet (twee kunstmatige synapsen) aan elkaar gekoppeld waren. Het netwerk kan data opslaan, patronen classificeren en leergedrag vertonen.

De volgende stap is de bouw van grotere kunstmatige neurale netwerken. ‘Op dit moment geeft een externe computer het neurale netwerk nog de benodigde feedback waarmee het netwerk kan leren', vertelt Mentink.

'Op de langere termijn hopen we een natuurkundig principe te vinden waarmee ook de feedback ingebouwd kan worden in het materiaal zelf. Dit zou een grote impact hebben op de manier waarop kunstmatige neurale netwerken zijn te gebruiken in de maatschappij.'