Künstliche Synapse fürs Maschinenhirn

Lernfähige Schalter: US-Forscher haben ein Bauteil entwickelt, das Computer noch hirnähnlicher machen könnte. Es handelt sich um eine künstliche Synapse – einen Schalter, der ähnlich funktioniert wie die Nervenverbindungen in unserem Gehirn. Denn auch die künstliche Synapse verändert ihre Reaktion in Abhängigkeit von ihren Erfahrungen – sie „lernt“ wie ein biologisches System. Möglich wird dies durch magnetische Nanocluster, die ihre Ausrichtung flexibel anpassen können.

Dank der nach Vorbild des Gehirns entwickeltenneuronalen Netzwerke sind Computer heute lernfähig: Spezielle Algorithmen imitieren in diesen Systemen die Funktion der Synapsen in unserem Gehirn. Die Stärke der Verknüpfungen wird dabei durch die erlebten Erfahrungen verändert. Das Lernen verändert so die Netzwerkstruktur – bisher allerdings nur in der Software.

Die Struktur des Gehirns auch in der Hardware nachzubauen, ist dagegen weitaus schwerer. Einen ersten Erfolg haben Forscher erst vor kurzem mit einer photonischen Synapse erzielt: Sie verändert durch die Passage von Laserpulsen ihre Kristallstruktur und passt so ihre Leitfähigkeit für weitere Signale an.

Bewegliche Nanocluster

Jetzt haben Michael Schneider vom National Institute of Standards and Technology (NIST) und seine Kollegen eine künstliche Synapse konstruiert, die auf Basis von Magnetpartikeln funktioniert. Das Bauteil ist nur rund zehn Mikrometer klein und ähnelt einem dreilagigen Sandwich: Zwischen zwei Schichten aus supraleitendem Material liegt eine Sperrschicht aus Silizium, in die Nanocluster aus Mangan und Niob-Elektroden eingebettet liegen.

Die Anordnung der magnetischen Nanocluster bestimmt, wie leitfähig und durchlässig die künstliche Synapse ist. © NIST

Die Nanocluster verhalten sich wie winzige Stabmagneten. Im Ausgangszustand liegen sie ungeordnet in der Sperrschicht, ihre Spins zeigen in verschiedene Richtungen. Werden sie Nanocluster nun jedoch Magnetpulsen ausgesetzt – beispielsweise parallel zu einem elektrischen Signal oder von außen zugeführt, ändert sich ihre Anordnung: Je mehr Pulse sie erhalten, desto stärker ordnen sich die Spins der Nanocluster.

„Der Ordnungsgrad dieser Nanocluster entspricht der Zahl der Neurotransmitter-Andockstellen in der biologischen Synapse“, erklären die Forscher.

Leitfähigkeit passt sich an

Der Clou dabei: Damit die künstliche Synapse ein Signal weiterleitet, muss dieses eine bestimmte Mindeststärke erreichen. Erst wenn diese Schwelle überschritten wird, erzeugt das Bauteil eine Abfolge von Spannungsspitzen. Wenn sich nun durch häufig eingehende Magnetsignale die Nanocluster stärker ordnen, sinkt der Schwellenwert für die Signalweitergabe – die künstliche Synapse passt sich an.

„Das Bauteil verhält sich damit von Natur aus wie eine künstliche Synapse, die mit elektrischen Pulsen interagiert“, erklären Schneider und seine Kollegen. Je intensiver diese Synapse genutzt wird, desto geringer wird ihre Schwelle. Dadurch wird dieser Signalweg des Computers gestärkt und das Netzwerk der Hardware passt sich so im Laufe der Zeit an die Erfahrungen an. „Damit haben wir ein synaptisches Element für neuromorphe Computer der Zukunft“, so die Forscher.

00:00

00:00

Extrem schnell und sparsam

Bemerkenswert auch: Die künstliche Synapse kann sehr viel schneller feuern als ihr biologisches Gegenstück. Während die Nervenverbindungen etwa 50 Signale in der Sekunde übermitteln können, feuert das magnetische Nanocluster-Bauteil rund eine Milliarde Mal pro Sekunde, wie die Forscher berichten. Gleichzeitig benötigt es nur ein Zehntausendstel der Energie wie eine biologische Synapse. „Wir kennen bisher keine andere künstliche Synapse, die so wenig Energie benötigt“, sagt Schneider.

Eingesetzt werden könnten solche Magnet-Synapsen unter anderem in künftigen Computern, die supraleitende Bauteile und Magnetsignale für das Verarbeiten und Abspeichern von Daten nutzen. Wie die Wissenschaftler erklären, könnten die neuen künstlichen Synapsen in einem solchen Rechner problemlos gestapelt werden – das macht selbst komplexe neuromorphe Strukturen möglich. (Science Advances, 2018; doi: 10.1126/sciadv.1701329)

(National Institute of Standards and Technology (NIST), 30.01.2018 – NPO)