Nachhaltige KI durch neuartige organische Synaptische Transistoren

Synaptische Architektur: Herkömmliche Chips trennen Speicher und Verarbeitung, was energieintensives Datentransportieren zur Folge hat; die organischen synaptischen Transistoren der Universität führen beide Funktionen an derselben Stelle aus, um diese Engstelle zu beseitigen.

Interface-Entdeckung: Forscher haben festgestellt, dass die Leistung nicht nur vom verwendeten Material abhängt, sondern äche, der dünnen Schicht, an der sich Halbleiter und Isolator treffen.

Molekulares Design: Selbst geringe strukturelle Unterschiede in Materialien, die auf der Oberfläche identisch aussehen, können die Art und Weise, wie ein synaptischer Transistor lernt und sich anpasst, drastisch verändern.

Technik und Auswirkungen

Gezielte KI-Aufgaben: Diese neuromorphe Hardware ist speziell darauf ausgelegt, bei Mustererkennung und Entscheidungsfindung herauszuexzellenzen, dabei jedoch deutlich weniger Energie zu verbrauchen.

Quelle: University of Missouri Columbia Da herkömmliche Computerchips ihre physikalischen Grenzen erreichen und die künstliche Intelligenz mehr Energie als je zuvor benötigt, überdenken Forscher der University of Missouri, wie Computer funktionieren, indem sie sich am menschlichen Gehirn orientieren. Der Zeitpunkt ist entscheidend.

Der Energieverbrauch des Jahrzehnts voraussichtlich verdoppelt, was drängende Fragen zur Nachhaltigkeit aufwirft. Forscher entwickeln organische synaptische Transistoren, die Informationen an einer einzigen Stelle verarbeiten und speichern, um die 20-Watt-Effizienz des menschlichen Gehirns nachzuahmen und damit nachhaltige neuromorphe KI zu ermöglichen.

Technik und Auswirkungen

Die Lösung könnte in neuromorphem Computing liegen, einem Ansatz, der Computerhardware neu konzipiert, um Informationen ähnlich biologischen neuronalen Netzwerken statt konventioneller Chips zu verarbeiten. „Einer der größten Vorteile des Gehirns ist seine Effizienz", sagte Suchi Guha, Professorin für Physik an der College of Arts and Science der Mizzou. „Es führt unglaublich komplexe Aufgaben mit etwa 20 Watt Leistung aus – ungefähr so viel wie eine alte Glühbirne.

Im Vergleich dazu ist die heutige Computerarchitektur extrem energieintensiv." Um neuromorphes Computing zur Realität zu machen, muss man bereits auf der Hardware-Ebene ansetzen.

Guha und ihr Team entwickeln elektronische Bauelemente, die so funktionieren wie die Verbindungen zwischen Neuronen, die es dem Gehirn ermöglichen, zu lernen, sich anzupassen und Informationen zu speichern – und damit den Grundstein für Computer legen, die nicht nur leistungsfähiger, sondern auch deutlich effizienter sind.

Technischer Hintergrund

Seit Jahrzehnten stützen sich Computer auf Transistoren – winzige elektronische Schalter, die es Maschinen ermöglichen, Informationen zu verarbeiten. In den meisten modernen Chips finden jedoch Denken und Speicher an getrennten Orten statt.

Jedes Mal, wenn ein Computer eine Aufgabe ausführt, müssen Daten zwischen diesen beiden Bereichen hin- und hergeschickt werden, was die Leistung verlangsamt und Energie verbraucht. Das Gehirn verfolgt einen anderen Ansatz.

Anstatt Speicher und Verarbeitung zu trennen, übernehmen einzelne Verbindungen zwischen Neuronen – Synapsen genannt – beides gleichzeitig. Diese Architektur ermöglicht es dem Gehirn, zu lernen und sich anzupassen, dabei jedoch überraschend wenig Energie zu verbrauchen. Guhas Team überträgt dieses Prinzip auf die Elektronik.

Technischer Hintergrund

Sie entwickeln organische Transistoren, die Informationen sowohl speichern als auch verarbeiten können – genau wie Synapsen im Gehirn. „Wir versuchen nicht nur, schnellere Transistoren zu bauen", sagte Guha, der zudem ein Kernmitglied des Materials Science and Engineering Institute der MU ist. „Wir wollen Bauelemente entwickeln, die sich mehr wie das Gehirn selbst verhalten." Um die Wirksamkeit des Ansatzes zu überprüfen, testeten die Forscher mehrere organische Materialien, die auf den ersten Blick nahezu identisch wirkten.

Sobald diese Materialien jedoch in synaptische Transistoren integriert wurden, unterschied sich ihre Leistungsfähigkeit drastisch.

Der entscheidende Faktor erwies sich als Grenzfläche – die dünne Schicht, an der das Halbleitermaterial auf eine isolierende Schicht innerhalb des Bauelements trifft. „Dies zeigt uns, dass die Leistung nicht nur davon abhängt, woraus ein Material besteht", sagte Guha. „Sie hängt auch davon ab, wie es mit seiner Umgebung interagiert." „Selbst geringe strukturelle Unterschiede können erhebliche Auswirkungen haben." Auf dem Weg zu energieeffizienter, hirngestützter KI Durch die Aufklärung, wie Moleküldesign und Grenzflächenqualität das synaptische Verhalten beeinflussen, liefert die Arbeit der Universität Missouri Leitprinzipien für andere Forscher, um leistungsfähigere neuromorphe Hardware zu entwickeln.

Technik und Auswirkungen

Solche Systeme könnten langfristig zu einer hirngestützten KI führen, die effizienter lernt, deutlich weniger Energie verbraucht und Aufgaben wie Mustererkennung und Entscheidungsfindung besonders gut bewältigt.

Obwohl rechnerarchitekturen, die vom Gehirn inspiriert sind, sich noch in den Anfängen befinden, hat Guha betont, dass Fortschritte wie ihre den Abstand zwischen Biologie und Technik verringern. „Das Gehirn bleibt der Goldstandard für effiziente Berechnungen", sagte sie. „Wenn wir wirklich intelligente Maschinen schaffen wollen, müssen wir Hardware entwickeln, die lernt, wie die Biologie." Die Studie „Structure–Function Coupling in Pyridyl Triazole Copolymers for Neuromorphic Synaptic Transistors" wurde in ACS Applied Electronic Materials veröffentlicht.

Die Mitautoren sind Arash Ghobadi, Abhijeet Abhi, Thomas Kallos, Dillan Gamachchi, Indeewari Karunarathne, Andrew Meng, Joseph Mathai, Shubhra Gangopadhyay und Steven Kelley an der Mizzou sowie Salahuddin Attar und Mohammed Al-Hashimi an der Hamad Bin Khalifa University.

Technik, Energie und Einsatz

Beantwortung der zentralen Fragen: A: Betrachten Sie dies wie ein Gespräch zwischen zwei Personen. Nicht nur, wer sie sind (die Materialien), sondern wie gut sie miteinander kommunizieren (die Schnittstelle), bestimmt die Qualität des ausgetauschten Informationsinhalts.

Kleine strukturelle Verschiebungen an dieser Grenzfläche können den Unterschied zwischen einem Chip, der effizient „lernt", und einem, der versagt, ausmachen. A: Langfristig ja.

Durch den Verzicht auf den „Von-Neumann-Flaschenhals", bei dem Daten ständig zwischen CPU und RAM übertragen werden, könnte neuromorphes Hardware alle Rechenaufgaben erheblich energieeffizienter machen. A: Nein.

Technik, Energie und Einsatz

Organische Materialien werden eingesetzt, da sie auf molekularer Ebene präzise so gestaltet werden können, dass sie das flexible, adaptive Verhalten biologischer Synapsen nachbilden – etwas, das mit starrem, traditionellem Silizium deutlich schwieriger zu erreichen ist. Redaktionelle Hinweise: Dieser Artikel wurde News bearbeitet.

Zusätzliche Kontextinformationen wurden ügt. Über diese Neuromorphik- und KI-Forschungsnachricht Autor: Eric Stann Quelle: University of Missouri-Columbia Kontakt: Eric Stann – University of Missouri-Columbia Bild: Das Bild wird Neuroscience News zur Verfügung gestellt.

Ursprüngliche Forschung: Open Access. „Structure–Function Coupling in Pyridyl Triazole Copolymers for Neuromorphic Synaptic Transistors", Salahuddin Attar, Abhijeet Abhi, Thomas B. Kallaos, Dilan M. Gamachchi, Indeewari M. Karunarathne, Andrew C. Meng, Joseph C. Mathai, Shubhra Gangopadhyay, Steven P. Kelley, Mohammed Al-Hashimi und Suchismita Guha.

Technik, Energie und Einsatz

ACS Applied Electronic Materials DOI:10.1021/acsaelm.5c02633 Struktur-Funktions-Kopplung in Pyridyl-Triazol-Copolymeren für neuromorphe Synapsentransistoren Organische ferroelektrische Transistoren sind hervorragende Kandidaten als kostengünstige Alternativen für synaptische Bauelemente.

Insbesondere Grenzflächen mit Donor-Akzeptor-Semileiterpolymeren und Copolymeren aus Poly(vinylidene fluoride) (PVDF) eignen sich gut zur Nachbildung synaptischer Antworten.

Durch gezielte Anpassung der Verknüpfungseinheit zwischen den Pyridyl-Triazol (PyTr)-Akzeptoren und Thiophen-Donoren wurden drei Copolymere synthetisiert, die Selen-substituierte Thiophene, Benzothiadiazole sowie Fluor-substituierte Thiophene als Verknüpfungsbausteine enthalten.

Unter Verwendung des Hexafluorpropylen-Copolymeren (PVDF-HFP) als

Unter Verwendung des Hexafluorpropylen-Copolymeren (PVDF-HFP) als Dielektrikum zeigen die drei PyTr-Semileiter in Transistorarchitekturen p-Typ-Leitfähigkeit mit Ladungsträgerbeweglichkeiten zwischen 0,1 und 0,2 cm² V⁻¹ s⁻¹.

Die synaptische Plastizität wird untersucht, indem an der Gate-Elektrode langandauernde gepulste Spannungen angelegt werden, um Potenzierungs- und Depressionsprozesse nachzuahmen. Um ihre neuromorphe Funktionalität zu bewerten, werden die synaptischen Antworten der Bauelemente in einem mehrschichtigen Perzeptron-Neuronennetzwerk zur Bilderkennung getestet.

Das Copolymer mit dem Benzothiadiazol-Verknüpfungselement erreichte eine Erkennungsgenauigkeit 80 %, während das mit einem fluorsubstituierten Thiophen-Verknüpfungselement keine synaptische Verhaltensweise zeigt, was die entscheidende Rolle der Halbleiter-Dielektrikum-Schnittstelle unterstreicht.

Eine detaillierte Untersuchung der Grenzflächenfalle-Dichte und -Morphologie wird durchgeführt, um zu identifizieren, wie Grenzflächeneigenschaften die Leistung synaptischer Bauelemente direkt beeinflussen.