IBMs Phasenwechsel-Künstliche Neuronen Imitieren Gehirn-Spikes Für Ultra-Dichte, Niedrigenergie-Computing

Manuel Le Gallos Forschung wird eine neue Generation extrem dichter neuromorpher Computing-Systeme inspirieren. (Source: IBM Research – Zurich)

Inspiriert von der spike-basierten Kommunikation des menschlichen Gehirns hat IBM Research in Zürich künstliche Neuronen entwickelt, die das „Integrate-and-Fire“-Verhalten emulieren, das wir erleben, wenn wir eine heiße Platte berühren. Diese Geräte können Muster detektieren und Korrelationen in großen Datensets aufdecken, während sie Leistung und Platz vergleichbar mit biologischem Gewebe verbrauchen – ein Achievement, das Wissenschaftler seit Jahrzehnten verfolgten.

Der Durchbruch ist im Paper „Stochastic phase-change neurons“ detailliert, das heute das Cover von Nature Nanotechnology ziert. Die Arbeit demonstriert, wie Phasenwechsel-Speicherelemente konfiguriert werden können, um als ultra-dichte, niedrigenergetische Neuronen zu fungieren, die unüberwachtes Lernen bei hoher Geschwindigkeit ermöglichen.

Ich sprach mit Co-Autor und IBM Research – Zürich Wissenschaftler Manuel Le Gallo, der seinen PhD an der ETH Zürich absolviert.

Wie Funktioniert Ein Künstliches Neuron?

Manuel Le Gallo: Ein künstliches Neuron implementiert einen „Integrate-and-Fire“-Schaltkreis. Es akkumuliert eingehende Signale; wenn das summierte Potenzial einen Schwellenwert erreicht, emittiert es einen Spike. Diese simple Akkumulation kann überraschend komplexe Computationen realisieren.

Was Inspirierte Das Design?

ML: Das Ziel ist, die Rechenleistung eines biologischen Neurons zu spiegeln. Während traditionelle künstliche Neuronen auf CMOS-Transistoren basieren, nutzt unser Ansatz Phasenwechsel-Devices, um dieselbe Funktionalität mit drastisch niedrigerer Leistung und höherer Dichte zu erreichen.

Was War Ihre Rolle?

ML: Meine Forschung zu Phasenwechsel-Physik über die letzten drei Jahre informierte das Design dieser Neuronen und ermöglichte uns, die im Paper präsentierten Experimentaldaten zu interpretieren.

„Wir denken, unser Ansatz wird effizienter sein, besonders für die Verarbeitung großer Datenmengen.“

—Manuel Le Gallo, IBM Research Wissenschaftler

Wo Können Künstliche Neuronen Angewandt Werden?

Die winzigen Quadrate sind Kontaktpads, die den Zugriff auf nanometer-skalen Phasenwechsel-Zellen ermöglichen (nicht sichtbar). Scharfe Sonden berühren die Pads, um die Phasenkonfiguration als Antwort auf neuronale Eingabe zu ändern. Jedes Sonden-Set greift auf eine Population von 100 Zellen zu.

ML: Unsere Experimente zeigen, dass ein einzelnes Neuron mit multiplen plastischen Synapsen temporale Korrelationen über viele binäre Event-Streams detektieren kann – wie Social Media, Wetter oder IoT-Sensordaten – indem es feuert, wenn die Events alignieren.

Warum Ist Neuromorphes Computing Effizienter?

ML: Konventionelle Architekturen trennen Speicher und Logik, was kostspieliges Data-Shuttling erzwingt. In neuromorphen Systemen koexistieren Computation und Storage, eliminieren Memory-to-Logic-Transfers und reduzieren Energieverbrauch drastisch, besonders bei massiven Datensets.

Manuel Le Gallo erwarb seinen Master in Electrical Engineering an der ETH Zürich und absolvierte seine Thesis bei IBM. Er verfolgt nun einen PhD.

Über den Autor: Millian Gehrer ist Sommerpraktikant bei IBM Research – Zürich, interviewt Wissenschaftler über ihre Arbeit. Im Herbst beginnt er Informatik-Studium an der Princeton University.