Forscher züchten bioinspirierte Polymergehirne für künstliche neuronale Netze

Die Entwicklung neuronaler Netze zur Schaffung künstlicher Intelligenz in Computern wurde ursprünglich von der Funktionsweise biologischer Systeme inspiriert. Diese „neuromorphen“ Netzwerke laufen jedoch auf Hardware, die überhaupt nicht wie ein biologisches Gehirn aussieht, was die Leistung einschränkt.

Nun planen Forscher der Universitäten Osaka und Hokkaido, dies zu ändern, indem sie neuromorphe „Wetware“ entwickeln. Die Arbeit wird in der Zeitschrift veröffentlicht Fortschrittliche Funktionsmaterialien.

Obwohl neuronale Netzwerkmodelle bei Anwendungen wie der Bilderzeugung und der Krebsdiagnose bemerkenswerte Erfolge erzielt haben, liegen sie immer noch weit hinter den allgemeinen Verarbeitungsfähigkeiten des menschlichen Gehirns zurück. Dies liegt zum Teil daran, dass sie in Software mithilfe herkömmlicher Computerhardware implementiert werden, die nicht für die Millionen von Parametern und Verbindungen optimiert ist, die diese Modelle normalerweise erfordern.

Neuromorphe Wetware, die auf memristiven Geräten basiert, könnte dieses Problem lösen. Ein memristives Gerät ist ein Gerät, dessen Widerstand durch die Geschichte der angelegten Spannung und des angelegten Stroms bestimmt wird. Bei diesem Ansatz wird Elektropolymerisation verwendet, um in eine Vorläuferlösung eingetauchte Elektroden mithilfe von Drähten aus leitfähigem Polymer zu verbinden. Der Widerstand jedes Drahtes wird dann mithilfe kleiner Spannungsimpulse abgestimmt, was zu einem memristiven Gerät führt.

„Das Potenzial zur Schaffung schneller und energieeffizienter Netzwerke wurde anhand von 1D- oder 2D-Strukturen gezeigt“, sagt die leitende Autorin Megumi Akai-Kasaya. „Unser Ziel war es, diesen Ansatz auf den Aufbau eines 3D-Netzwerks auszuweiten.“

Den Forschern gelang es, Polymerdrähte aus einer gängigen Polymermischung namens „PEDOT:PSS“ zu züchten, die hochleitfähig, transparent, flexibel und stabil ist. Eine 3D-Struktur aus oberen und unteren Elektroden wurde zunächst in eine Vorläuferlösung eingetaucht. Anschließend wurden die PEDOT:PSS-Drähte zwischen ausgewählten Elektroden durch Anlegen einer Rechteckspannung an diese Elektroden wachsen gelassen, wodurch die Bildung synaptischer Verbindungen durch Axonführung in einem unreifen Gehirn nachgeahmt wurde.

Sobald der Draht geformt war, wurden die Eigenschaften des Drahtes, insbesondere die Leitfähigkeit, mithilfe kleiner Spannungsimpulse gesteuert, die an eine Elektrode angelegt wurden, wodurch sich die elektrischen Eigenschaften des die Drähte umgebenden Films veränderten.

„Der Prozess ist kontinuierlich und reversibel“, erklärt Hauptautor Naruki Hagiwara, „und diese Eigenschaft ermöglicht es, das Netzwerk zu trainieren, genau wie softwarebasierte neuronale Netze.“

Das hergestellte Netzwerk wurde verwendet, um unüberwachtes hebräisches Lernen zu demonstrieren (dh wenn Synapsen, die oft zusammen feuern, ihre gemeinsame Verbindung mit der Zeit stärken). Darüber hinaus konnten die Forscher die Leitwerte der Drähte präzise steuern, sodass das Netzwerk seine Aufgaben erfüllen konnte.

Spike-basiertes Lernen, ein weiterer Ansatz für neuronale Netze, der die Prozesse biologischer neuronaler Netze besser nachahmt, wurde ebenfalls durch die Steuerung des Durchmessers und der Leitfähigkeit der Drähte demonstriert.

Als nächstes hoffen die Forscher, durch die Herstellung eines Chips mit einer größeren Anzahl von Elektroden und die Verwendung mikrofluidischer Kanäle, um jede Elektrode mit der Vorläuferlösung zu versorgen, ein größeres und leistungsfähigeres Netzwerk aufzubauen. Insgesamt ist der in dieser Studie ermittelte Ansatz ein großer Schritt zur Realisierung neuromorpher Wetware und zur Schließung der Lücke zwischen den kognitiven Fähigkeiten von Menschen und Computern.