Een ongeordend netwerk dat heel goed is in het herkennen van órdelijke patronen. Het klinkt tegenstrijdig, maar het benadert de manier waarop ons brein patronen herkent. Onderzoekers van de Universiteit Twente hebben zo’n ‘brain-inspired’ netwerk ontwikkeld. Een grote stap vooruit is dat het gewoon te fabriceren is in silicium en werkt bij kamertemperatuur. Het nieuwe netwerk maakt gebruik van materiaaleigenschappen die elektronica-ontwerpers bij voorkeur omzeilen. Het maakt géén gebruik van ontworpen functionele bouwstenen: de materiaaleigenschappen bepalen het evoluerende leerproces. De onderzoekers publiceren erover in Nature, op 15 januari 2020.
Ons brein is ongelofelijk goed in het, in één oogopslag, herkennen van bijvoorbeeld beelden of patronen. Artifical Intelligence (AI) doet dat soms al net zo goed of beter, maar verbruikt hiervoor wel veel meer energie dan het brein, dat het met 20 Watt doet. De halfgeleiderindustrie laat zich daarom ook steeds vaker inspireren door het brein, bijvoorbeeld door neuronen na te bootsen in elektronica of in software. Maar voor het nabootsen van één enkel neuron – ons brein heeft daarvan tientallen miljarden - zijn dan wel honderden of duizenden transistoren nodig. Tegenover dat grote oppervlak staat natuurlijk de voortschrijdende miniaturisatie, maar ook die loopt tegen fysische grenzen aan. Het ‘disordered dopant network’, dat nu wordt gepresenteerd, is een heel andere benadering, die ook nog eens tegen de intuïtie ingaat. Het maakt geen gebruikt van vooraf ontworpen neuronen, maar gebruikt materiaaleigenschappen om tot een oplossing te komen. Deze ‘evolutie’ is energiezuinig en kan ook op een heel klein oppervlak.
Hoppen
‘Doping’, in het Nederlands ‘doteren’, is hier het sleutelwoord. Dit is het opzettelijk aanbrengen van onzuiverheden in de kristalstructuur van silicium, om een goedwerkende transistor te maken. Hiervoor wordt vaak het materiaal boor gebruikt. De hoeveelheid boor moet groot genoeg zijn om de transistor goed te laten werken. Bij kleinere hoeveelheden gaan verschijnselen optreden die een chip-ontwerper het liefst vermijdt. En van uitgerekend díe verschijnselen maakt het nieuwe netwerk gebruik. Het aantal boor-atomen is zo klein dat elektronen van het ene booratoom naar het andere ‘hoppen’. Dit heeft overeenkomsten met de manier waarop, in ons brein, neuronen met elkaar verbinding zoeken om een taak uit te voeren. In het Twentse experiment wordt het netwerk ‘gevoed’ met 16 verschillende patronen. Zonder dat je vooraf weet wat het netwerk gaat doen, levert het voor elk van de 16 een signaal. Met deze 16 basispatronen kun je vervolgens bijvoorbeeld een collectie handgeschreven karakters herkennen met grote nauwkeurigheid. De eerste versie van het netwerk is 300 nanometer in doorsnee en bevat ongeveer 100 booratomen. Het verbruik is ongeveer een microWatt (een miljoenste Watt). Het is de eerste bouwsteen van een groter netwerk, voorzien de onderzoekers.
Minder transport van data
‘Brein-geïnspireerd’ betekent ook dat het systeem niet, zoals de klassiek opgebouwde computer, voortdurend data heen-en-weer transporteert tussen processor en geheugen. Ook ons brein kent dit onderscheid niet. Het netwerk is daardoor inzetbaar in krachtige lokale toepassingen. Een autonoom rijdende auto, bijvoorbeeld, moet heel veel beslissingen nemen op basis van waarneming en herkenning. Daarvoor moet de auto een heel krachtige computer aan boord hebben of breedbandig kunnen communiceren met een computersysteem op afstand. Het nieuwe netwerk kan helpen om de herkenning ‘lokaal’ te houden en niet in de ‘cloud’. De autoindustrie heeft daarom al belangstelling getoond voor de nieuwe benadering.
Bovenaanzicht (scanning electron microscopy) en zijaanzicht (tekening) van het boor-gedoteerd ('B-doped') netwerk
BRAINS
Het onderzoek is uitgevoerd in het Center for Brain-Inspired Nano Systems (BRAINS) van de Universiteit Twente, een multidisciplinair centrum dat in 2019 is geopend. De groepen NanoElectronics (MESA+ Instituut) en Programmable Nanosystems (Digital Society Institute) van de UT hebben ook samengewerkt met het Center for Computational Energy Research van de TU Eindhoven. Het is mogelijk gemaakt dankzij financiering door de Nederlandse Organisatie voor Wetenschappelijk Onderzoek (NWO).
Het paper ‘Classification with a disordered dopant atom network in silicon’, door Tao Chen, Jeroen van Gelder, Bram van de Ven, Sergey Amitonov, Bram de Wilde, Hans-Christian Ruiz Euler, Hajo Broersma, Peter Bobbert , Floris Zwanenburg en Wilfred van der Wiel, is gepubliceerd in Nature van 15 January 2020. Nature heeft in deze editie zelf ook een review geschreven: 'Evolution of circuits for machine-learning'.
