Physikalisches neuronales Netz – Wikipedia

Posted on by
before-content-x4

EIN physikalisches neuronales Netz ist eine Art künstliches neuronales Netz, bei dem ein elektrisch einstellbares Material verwendet wird, um die Funktion einer neuronalen Synapse zu emulieren. “Physische” neuronale Netze werden verwendet, um die Abhängigkeit von physischer Hardware zu betonen, die verwendet wird, um Neuronen zu emulieren, im Gegensatz zu softwarebasierten Ansätzen. Allgemeiner ist der Begriff auf andere künstliche neuronale Netze anwendbar, in denen ein Memristor oder ein anderes elektrisch einstellbares Widerstandsmaterial verwendet wird, um eine neuronale Synapse zu emulieren.[1][2]

Arten von physikalischen neuronalen Netzen[edit]

ADALINE[edit]

In den 1960er Jahren entwickelten Bernard Widrow und Ted Hoff ADALINE (Adaptive Linear Neuron), das elektrochemische Zellen, sogenannte Memistoren (Speicherwiderstände), verwendet, um Synapsen eines künstlichen Neurons zu emulieren.[3] Die Memistoren wurden als Geräte mit 3 Anschlüssen implementiert, die auf der reversiblen Galvanisierung von Kupfer basieren, so dass der Widerstand zwischen zwei der Anschlüsse durch das Integral des über den dritten Anschluss angelegten Stroms gesteuert wird. Die ADALINE-Schaltung wurde in den 1960er Jahren von der Memistor Corporation kurzzeitig kommerzialisiert und ermöglichte einige Anwendungen in der Mustererkennung. Da die Memistoren jedoch nicht unter Verwendung von Herstellungstechniken für integrierte Schaltungen hergestellt wurden, war die Technologie nicht skalierbar und wurde schließlich aufgegeben, als die Festkörperelektronik ausgereift wurde.[4]

Analoge VLSI[edit]

1989 veröffentlichte Carver Mead sein Buch Analoge VLSI und neuronale Systeme,[5] die vielleicht die gebräuchlichste Variante analoger neuronaler Netze ist. Die physikalische Realisierung erfolgt in analoger VLSI. Dies wird oft als Feldeffekttransistoren in niedriger Inversion realisiert. Solche Geräte können als translineare Schaltungen modelliert werden. Dies ist eine Technik, die Barrie Gilbert in mehreren Artikeln um die Mitte der 1970er Jahre beschrieben hat, und insbesondere seine Translineare Schaltungen ab 1981.[6][7] Mit dieser Methode können Schaltungen als eine Menge wohldefinierter Funktionen im stationären Zustand analysiert und solche Schaltungen zu komplexen Netzwerken zusammengesetzt werden.

Physisches neuronales Netzwerk[edit]

Alex Nugent beschreibt ein physikalisches neuronales Netzwerk als einen oder mehrere nichtlineare neuronenähnliche Knoten, die verwendet werden, um Signale und Nanoverbindungen zu summieren, die aus Nanopartikeln, Nanodrähten oder Nanoröhren gebildet werden, die die Signalstärke bestimmen, die in die Knoten eingegeben wird.[8] Die Ausrichtung oder Selbstorganisation der Nanoverbindungen wird durch die Vorgeschichte des angelegten elektrischen Felds bestimmt, das eine Funktion analog zu neuronalen Synapsen ausführt. Zahlreiche Anwendungen[9] für solche physikalischen neuronalen Netze sind möglich. Zum Beispiel ein zeitliches Summationsgerät [10] kann aus einer oder mehreren Nanoverbindungen mit einem Eingang und einem Ausgang davon bestehen, wobei ein dem Eingang zugeführtes Eingangssignal bewirkt, dass eine oder mehrere der Nanoverbindungen im Laufe der Zeit eine Zunahme ihrer Verbindungsstärke erfahren. Ein weiteres Beispiel für ein physikalisches neuronales Netz wird durch das US-Patent Nr. 7,039,619 gelehrt[11] mit dem Titel “Utilized nanotechnology device using a neuronal network, a solution and a connection gap”, das am 2. Mai 2006 vom US Patent & Trademark Office an Alex Nugent ausgestellt wurde.[12]

Eine weitere Anwendung eines physikalischen neuronalen Netzwerks ist im US-Patent Nr. 7,412,428 mit dem Titel “Application of hebbian and anti-hebbian learning to nanotechnology-based physical neuronal network” gezeigt, das am 12. August 2008 erteilt wurde.[13]

Nugent und Molter haben gezeigt, dass universelles Computing und universelles maschinelles Lernen mit Operationen möglich sind, die durch einfache memristive Schaltkreise verfügbar sind, die die AHaH-Plastizitätsregel anwenden.[14]

In jüngerer Zeit wurde argumentiert, dass auch komplexe Netze rein memristiver Schaltkreise als neuronale Netze dienen können.
[15][16]

 after-content-x4

Neuronales Netz mit Phasenwechsel[edit]

Im Jahr 2002 beschrieb Stanford Ovshinsky ein analoges neuronales Computermedium, bei dem Phasenwechselmaterial die Fähigkeit besitzt, kumulativ auf mehrere Eingangssignale zu reagieren.[17] Eine elektrische Änderung des Widerstands des Phasenänderungsmaterials wird verwendet, um die Gewichtung der Eingangssignale zu steuern.

Memristives neuronales Netz[edit]

Greg Snider von HP Labs beschreibt ein kortikales Computing-System mit memristiven Nanogeräten.[18] Die Memristoren (Speicherwiderstände) werden durch Dünnschichtmaterialien realisiert, bei denen der Widerstand über den Transport von Ionen oder Sauerstoffleerstellen innerhalb der Schicht elektrisch abgestimmt wird. Das SyNAPSE-Projekt von DARPA hat IBM Research und HP Labs in Zusammenarbeit mit dem Department of Cognitive and Neural Systems (CNS) der Boston University finanziert, um neuromorphe Architekturen zu entwickeln, die auf memristiven Systemen basieren können.[19]

Siehe auch[edit]

Verweise[edit]

  1. ^ https://syncedreview.com/2021/05/27/deepmind-podracer-tpu-based-rl-frameworks-deliver-Exceptionional-Performance-at-low-cost-28/
  2. ^ https://www.theregister.com/2021/10/05/analoge_neural_network_research/
  3. ^ Widrow, B.; Pierce, WH; Angell, JB (1961), “Geburt, Leben und Tod in mikroelektronischen Systemen” (PDF), Technischer Bericht Nr. 1552-2/1851-1
  4. ^ Anderson, James; Rosenfeld, Edward (1998), Sprechende Netze: Eine mündliche Geschichte neuronaler Netze, MIT Press, ISBN 978-0-262-01167-9
  5. ^ Met, Schnitzer. (1989). Analoge VLSI und neuronale Systeme. Lesen, Mass.: Addison-Wesley. ISBN 0-201-05992-4. OCLC 17954003.
  6. ^ Gilbert, Barrie (1981), Translineare Schaltungen (Handout, S. 81)
  7. ^ Gilbert, Barrie (1999-12-27), “Translineare Schaltungen”, Wiley Encyclopedia of Electrical and Electronics Engineering, John Wiley & Sons, Inc., doi:10.1002/047134608x.w2302, ISBN 0-471-34608-X
  8. ^ US-Patent 6.889.216
  9. ^ Bekannte US-Patente
  10. ^ US-Patent Nr. 7.028.017
  11. ^ “Genutzte Nanotechnologie-Apparatur, die ein neutrales Netzwerk, eine Lösung und eine Verbindungslücke verwendet”.
  12. ^ “US-Patent: 8918353 – Methoden und Systeme zur Merkmalsextraktion”.
  13. ^ “US-Patent: 9104975 – Memristor-Apparat”.
  14. ^ Nugent, Michael Alexander; Molter, Timothy Wesley (2014). „AHaH Computing – Von metastabilen Schaltern über Attraktoren bis hin zu maschinellem Lernen“. PLUS EINS. 9 (2): e85175. Bibcode:2014PLoSO…985175N. mach:10.1371/journal.pone.0085175. PMC 3919716. PMID 24520315.
  15. ^ Caravelli, F.; Traversa, Florida; Di Ventra, M. (2017). „Die komplexe Dynamik memristiver Schaltkreise: analytische Ergebnisse und universelle langsame Entspannung“. Physische Überprüfung E. 95 (2): 022140. arXiv:1608.08651. Bibcode:2017PhRvE..95b2140C. mach:10.1103/PhysRevE.95.022140. PMID 28297937. S2CID 6758362.
  16. ^ Caravelli, F. (2019). “Asymptotisches Verhalten memristiver Schaltkreise”. Entropie. 21 (8): 789. ARXIV:1712.07046. Bibcode:2019Entrp..21..789C. mach:10.3390/e21080789. PMC 7515318. PMID 33267502.
  17. ^ US-Patent 6.999.953
  18. ^ Snider, Gregor (2008), “Cortical Computing mit memristiven Nanogeräten”, Sci-DAC-Überprüfung, 10: 58–65, archiviert von das Original am 2016-05-16, abgerufen 2009-10-26
  19. ^ Caravelli, Francesco; Carbajal, Juan Pablo (2018), “Memristoren für neugierige Außenseiter”, Technologien, 6 (4): 118, arXiv:1812.03389, Bibcode:2018arXiv181203389C, doi:10.3390/technologies6040118, S2CID 54464654

Externe Links[edit]

after-content-x4