Un nouveau système intégré de dispositifs neuromorphiques
(a) Illustration structurelle et fonctionnelle de la synapse biologique. (b) Illustration du dispositif FMES. L’encart montre le processus de diffusion dynamique. (c) Image optique du dispositif FMES. (d) Schéma expliquant le schéma de circuit correspondant et le découplage des opérations de lecture et d’écriture. (e) Courant post-synaptique surveillé sous plusieurs impulsions de tension séquentielles. Le crédit: Science Chine Presse
L’informatique neuromorphique est un modèle de traitement de l’information qui simule l’efficacité du cerveau humain avec multifonctionnalité et flexibilité. Actuellement, les dispositifs synaptiques artificiels représentés par les memristors ont été largement utilisés dans l’informatique morphologique neuronale, et différents types de réseaux neuronaux ont été développés.
Cependant, il est long et laborieux d’effectuer la fixation et le redéploiement des poids stockés par les dispositifs synaptiques artificiels traditionnels. De plus, la force synaptique est principalement reconstruite via la programmation logicielle et la modification du temps d’impulsion, ce qui peut entraîner une faible efficacité et une consommation d’énergie élevée dans les applications informatiques de morphologie neuronale.
Dans un nouvel article de recherche publié dans le journal basé à Pékin Examen scientifique nationalle professeur Lili Wang de l’Académie chinoise des sciences et ses collègues présentent un nouveau réseau neuronal matériel basé sur un système de stockage d’énergie MXene flexible et accordable (FMES).
Le système comprend des électrodes postsynaptiques flexibles et des nanofeuilles de MXene, qui sont connectées aux électrodes présynaptiques à l’aide d’électrolytes. Les changements potentiels dans le processus de migration des ions et l’adsorption dans le supercondensateur peuvent simuler la transmission d’informations dans l’espace synaptique. De plus, la tension du système FMES représente le poids synaptique de la connexion entre deux neurones.
Les chercheurs ont exploré les changements de la facilitation d’impulsions appariées sous différents niveaux de résistance pour étudier l’effet de la résistance sur l’apprentissage avancé et le comportement de la mémoire du système synaptique artificiel de FMES. Les résultats ont révélé que plus l’écart type est grand, plus la capacité de mémoire du système est forte.
En d’autres termes, avec l’amélioration continue de la résistance électrique et du temps de stimulation, la capacité de mémoire du système synaptique artificiel de FMES est progressivement améliorée. Par conséquent, le système peut contrôler efficacement l’accumulation et la dissipation des ions en régulant la valeur de résistance dans le système sans modifier le stimulus externe, qui devrait réaliser le couplage des signaux de détection et du poids de stockage.
Le système FMES peut être utilisé pour développer des réseaux de neurones et réaliser diverses tâches de calcul morphologique neuronal, permettant à la précision de reconnaissance des ensembles de chiffres manuscrits d’atteindre 95 %. De plus, le système FMES peut simuler l’adaptabilité du cerveau humain pour obtenir une reconnaissance adaptative d’ensembles de données cibles similaires. Après le processus de formation, la précision de la reconnaissance adaptative peut atteindre environ 80 % et éviter la perte de temps et d’énergie causée par le recalcul.
« À l’avenir, sur la base de cette recherche, différents types de capteurs pourront être intégrés sur la puce pour réaliser davantage l’architecture intégrée de calcul de détection multimodale », a déclaré le professeur Lili Wang, « L’appareil peut effectuer des calculs à faible consommation d’énergie et devrait résoudre les problèmes de bruit d’écriture élevé, de différence non linéaire et de diffusion sous une tension de polarisation nulle dans certains systèmes morphologiques neuronaux. »
