Bij en neuraal netwerk kunnen duizenden signalen tegelijkertijd verwerkt worden. De verbindingen tussen de ‘neuronen’ krijgen verschillende ‘gewichten’. Daar moeten kunstmatige synapsen voor zorgen

Technici van het befaamde het MIT in Cambridge (VS) hebben een kunstmatige synaps ontwikkeld, waarbij de elektrische stroomsterkte die de synaps passseert precies geregeld kan worden, net als bij een natuurlijke synaps. Een synaps is een verbinding tussen hersencellen die signalen doorgeeft van de ene cel naar de andere. De onderzoekers bouwden chips met synapsen. Die synapschip bleek, in simulaties, in staat te zijn handschriften met een nauwkeurigheid van 95% thuis te brengen. De kunstmatige synapsen zouden ook gebruikt kunnen worden voor de verbinding tussen een digitaal systeem en de hersens, mogelijk ter vervanging van weggevallen hersenfuncties.
Onze hersenen hebben zo’n 100 miljard hersencellen en elke hersencel kan via synapsen verbonden zijn met duizenden andere neuronen. Hoe het precies werkt is (volgens mij) nog steeds niet goed bekend, maar die signaaloverdracht gaat razendsnel. Dat moet ook wel, want het kan niet zo zijn dat wat we voor ons zien seconden eerder in het echt gebeurd is. Dan zouden er nu weinig mensen op aarde zijn (wat misschien wel zo heilzaam zou zijn voor de aarde, maar dat is een ander verhaal).
De fabelachtige ‘rekencapaciteit’ van de hersens intrigeert wetenschappers al vele jaren en nog steeds is vrij duister hoe die in elkaar steekt. Er zijn ideeën over en die hebben geleid tot, wat dan heet, neuromorfe rekensystemen zoals neurale netwerken. In plaats van digitale bits (0 of 1, uit of aan) werken neurale systemen met gewichten, je zou ook kunnen zeggen waarschijnlijkheden. Zo zouden hersencellen ook werken. Het ‘gewicht’ van een verbinding wordt aangegeven door de signaalsterkte die van de ene naar de andere cel wordt doorgegeven via synapsen.
‘Hersenrekentuigen’ kunnen parallel (tegelijkertijd) duizenden signalen verwerken. Er wordt al gewerkt met neurale netwerken, maar volgens het persbericht waaruit ik dit verhaal haal, zou een kunstmatige synaps de ontbrekende schakel zijn bij de verwezenlijking van de ‘hersencomputer’. Ik lieg hier, want leek op elk terrein, dan ook maar even mee (als dit gelogen is).

Nu schijnen MIT-ingenieurs die belangrijke ontbrekende schakel in elkaar te hebben geknutseld. Met hun halfgeleidersynaps (van siliciumgermanium) kunnen ze de elektrische stroom die zo’n synaps passeert vrij nauwkeurig regelen. Met de ontwikkeling van deze kunstmatige synaps zou de verwezenlijking van een draagbare, weinig energie vergende ‘neuromorfe’ systeem voor, bijvoorbeeld, patroonherkenning, een stap dichterbij zijn gekomen.

Nabootsen

De meeste neuromorfische chips proberen de synapsverbinding na te bootsen met behulp van een ‘schakelmedium’ tussen twee elektrisch geleidende plaatjes. Als daar een spanning over wordt gezet dan komen ionen in het ‘schakelmedium’ in beweging en vormen geleidende ‘draden’. Daarmee is het ‘gewicht’ van de verbinding te sturen.
Het probleem is alleen dat dat niet erg goed gaat. Volgens onderzoeker/ingenieur Jeehwan Kim komt dat omdat de meeste ‘schakelmedia’ bestaan uit amorfe (niet-kristallijne) materialen, waar de ionen eindeloos veel ‘wegen’ kunnen bewandelen.
Het is dan ook lastig bij die materialen om te voorspellen waar de ionen heen zullen gaan. Dat maakt zo’n synaps als signaaloverbrenger nogal onbetrouwbaar want moeilijk reproduceerbaar. Kim: “Als je er een bepaalde spanning op zet als gewichtsfactor, dan moet dat de volgende keer hetzelfde resultaat geven, maar bij amorfe materialen gaan de ionen dan in andere richtingen. Die stroom verandert dus en is moeilijk te sturen. Dat is het grootste probleem van een kunstmatige synaps.”
Kim en zijn medeingenieurs gebruikten eenkristallijn silicium zonder kristalfouten. Ze maakten daarin opzettelijk een (lijn)defect als ‘stroomdraad’ voor de ionen. Dat deden ze door op een siliciumplak siliciumgermanium te ‘deponeren’. Het rooster van siliciumgermanium is net iets groter dan van silicium. Als resultaat levert dat het gewenste ‘ionenpad’ op.

Ze maakten vervolgens een synaptische chip met verschillende siliciumgermaniumsynapsen, elk zo’n 25 nm groot (1 nm= 0,000001 mm oftewel 10^-9m). Het bleek dat de afwijking in signaaloverdracht een procent of 4 was, veel minder dan in de bestaande kunstmatige synapsen van amorf materiaal. Bij een synaps pasten ze zevenhonderd keer dezelfde spanning toe. De doorgelaten stroom varieerde maar 1%. Volgens Kim is dat het beste wat er tot nu toe voorhanden is.

Handschriften

Kim en de zijnen keken hoe hoe hun kunstmatige synapsen zich gedroegen bij het uitvoeren van leeropdrachten. Hun ‘hersencomputer’ moest, in simulatie, handschriften herkennen. Zulke chips bestaan uit in- en uitvoerneuronen en verborgen neuronen waar het ‘weegwerk’ wordt gedaan, de feitelijke herkenning. Elke ‘neuron’ was via kunstmatige synapsen met andere neuronen verbonden.
Neurale netwerken zijn lerende systemen. Voer je het systeem met een handgeschreven ‘1’ en er komt uit dat dat inderdaad een ‘1’ is, dan is er tussen in- en uitvoerneuronen een ‘pad’ ontstaan met verschillende ‘gewichten’ tussen verbonden neuronen. Zo leert het systeem wat een ‘1’ is. We denken dat hersencellen ook zo werken.

De ingenieurs gebruikten een neuraal netwerk dat bestond uit drie neuronenlagen die verbonden werden door twee synapslagen, uiteraard van eigen ontwerp. Ze voeden het systeem met tienduizenden voorbeelden van handgeschreven teksten. In vrijwel alle gevallen (95%) herkende het systeem, uiteindelijk, de tekst. Bij binaire systemen is de score nog net iets beter (97%).
De ingenieurs willen nu een systeem bouwen dat werkelijk teksten kan lezen en niet in simulatie zoals ze voor het onderzoek hebben gedaan. Kim denkt dat neurale netwerken, met de juiste synapsen uiteraard, draagbare systemen kunnen opleveren die ingewikkelde berekeningen kunnen uitvoeren waar nu alleen supercomputers toe in staat zijn. Kim: “Uiteindelijk willen we een chip die zo groot is als een vingernagel ter vervanging van een supercomputer.”

Bron: Science Daily