Bauteil für Computer nach Vorbild des Gehirns

Im Vergleich zu einem Computer arbeitet das menschliche Gehirn unglaublich energieeffizient. Um neuartige Computertechnologien zu entwerfen, orientieren sich Wissenschaftlerinnen und Wissenschaftler daher an der Funktionsweise des Gehirns mit seinen vernetzten Nervenzellen. DieForschenden gehen davon aus, dass solche vom Gehirn inspirierte Computersysteme energieeffizienter sein werden als herkömmliche und Aufgaben des maschinellen Lernens besser lösen können.

Analog zu Nervenzellen, die im Gehirn sowohl für die Datenspeicherung als auch die Datenverarbeitung zuständig sind, möchten die Forschenden dabei ebenfalls Speicherung und Verarbeitung auf einem einzigen Bauteil-​Typ kombinieren, sogenannten Memristoren. Dies soll helfen, den Effizienzgewinn zu erreichen. Auf herkömmlichen Computern werden Daten zwischen Prozessor und Speicher verschoben. Dies ist der Hauptgrund für den hohen Energieverbrauch bei Prozessen des maschinellen Lernens auf herkömmlichen Computern.

Forschende von ETH Zürich, Universität Zürich und Empa haben nun ein neuartiges Konzept entwickelt für einen Memristor, der sehr viel flexibler einsetzbar ist als bisherige Memristoren. «Es gibt für Memristoren unterschiedliche Operationsmodi, und je nach Architektur eines künstlichen neuronalen Netzwerkes ist es vorteilhaft, alle diese Modi nutzen zu können», erklärt ETH-​Postdoc Rohit John. «Bisherige herkömmliche Memristoren mussten allerdings im Voraus für jeweils einen solchen Modus konfiguriert werden.» Die neuen Memristoren der Zürcher Forschenden können nun während ihres Einsatzes einfach zwischen zwei Operationsmodi wechseln: einem Modus, bei dem das Signal über die Zeit schwächer wird und erlöscht (volatiler Modus), und einem, bei der das Signal dauerhaft konstant bleibt (nicht-​volatiler Modus).

«Auch im menschlichen Gehirn gibt es diese beiden Operationsmodi», erklärt John. Einerseits werde Reize an den Synapsen mit biochemischen Botenstoffen von Nervenzelle zu Nervenzelle weitergeleitet. Diese Reize sind zunächst stark und werden dann langsam schwächer. Anderseits bilden sich während des Lernens im Gehirn neue synaptische Verbindungen zu weiteren Nervenzellen aus. Diese sind länger anhaltend.

Rohit John ist Postdoc in der Gruppe von ETH-​Professor Maksym Kovalenko und wurde 2020 mit einem ETH-​Fellowship für exzellente Postdoktorierende ausgezeichnet. John führte diese Forschungsarbeit gemeinsam mit Yiğit Demirağ durch. Er ist Doktorand in der Gruppe von Professor Giacomo Indiveri am Institut für Neuroinformatik von Universität Zürich und ETH Zürich.