Amerikanske forskere har for første gang klart å lage noe som ligner en elektronisk utgave av hjerneceller med en type komponenter som kalles memristorer.

Navnet memristor er laget ved å koble sammen det engelske ordet for minne, nemlig memory, og motstand, resistor.

Elektronikk som husker

En memristor har en helt spesiell egenskap: Den husker hvor mye strøm det har gått gjennom den. Jo mer strøm den har latt passere, desto større elektrisk motstand har den.

Hvordan ligner dette på en hjernecelle? En hjernecelle har mange koblinger til andre hjerneceller. De kalles synapser. Jo flere strømpulser som går fra en kobling eller synapse til en annen, desto lettere leder synapsene strømpulsene.

Både memristoren og synapsen er altså i stand til å endre seg ut fra sin egen fortid, sine egne erfaringer. På godt norsk kalles slikt for læring, om ikke bevisst læring.

Svimlende synapser

Hjernen har en enorm evne til å lære. Den meste læringen i hjernen er også ubevisst. Bare det å lære å gå krever et finstemt samspill mellom nerver, muskler, syn og balanse. Programmeringen tar rundt ett år og varer livet ut.

All denne læreevnen er nedfelt i hjernens rundt en million milliarder synapser. Det er tusen ganger flere synapser i menneskehjernen enn det er stjerner i Melkeveien.

Læringen skjer ved forskjellige kombinasjoner av strømledning i disse synapsene. Hvor mange slike kombinasjoner er mulig?

Svaret er et ettall med en million nuller etter. Til sammenligning: Antall atomer i det kjente universet er beregnet til et ettall med bare 80 nuller etter.

Flaskehals mellom minne og utregning

En vanlig datamaskin er bygget på en helt annen måte enn hjernen. Datamaskinen har en del som husker, og en del som gjør beregninger. Hukommelsen er i dataminnet, for eksempel RAM eller harddisk. Beregningene skjer i mikroprosessoren.

Den store flaskehalsen i dette systemet er koblingene mellom dataminnet og mikroprosessoren. Trafikken i denne flaskehalsen koster både tid og energi.

Små og strømgjerrige

Hjernen slipper denne flaskehalsen. Der er hukommelse og beregninger to sider av samme prosess, i nervecellene og synapsene. Dermed blir hjernen mye mer energigjerrig og rask.

Memristorene har de samme fordelene. De bruker lite strøm og utvikler lite varme. Dessuten klarte forskere i 2007 også å lage dem ørsmå, i nanostørrelse. Derfor kan svært mange pakkes sammen på et lite volum.

Uberegnelige beist

Hvorfor har de da ennå ikke brukt memristorer til å lage elektroniske hjerneceller? De er dessverre uberegnelige små beist. Forskerne har lenge slitt med å temme dem.  

Selv om to memristorer lages helt likt, kan de oppføre seg forskjellig. Den samme strømmengden gir ikke samme økning i motstand.

Forskerne fra University of California Santa Barbara og Stony Brook University har kommet langt i å løse dette problemet.

De har funnet fram til en måte å prøve ut komponentene på som reduserer denne variasjonen.

Nuller ut nedtur og opptur

Et annet problem er at memristorene ikke reagerer likt når strømmen øker som når strømmen avtar. Det skaper også problemer når de skal brukes til læring i omgivelser som endrer seg i alle retninger.

Dette problemet løser forskerne ved å koble sammen to og to memristorer som enkelt sagt virker hver sin vei. Dermed blir den enes opptur den andres nedtur, og disse forskjellene nulles ut.

Liten krets, stor læreevne

Forsøkskretsen til forskerne er ennå også forholdsvis stor, sammenlignet med andre memristorkretser. Den inneholder heller ikke så mange memristorer.

Den består av to lag, hver med tolv ledninger lagt i kryss. I hvert av de 144 krysspunktene ligger en memristor.

Selv med så få synapselignende koblinger lærte kretsen å gjenkjenne forskjellige bokstaver mot en bakgrunn av støy.

Denne videoen forklarer hvordan synapsene i nervecellene virker, og hvordan vi kan måle aktiviteten i hjernen,

Mobiler som hører og ser

Hvis denne teknologien kan skaleres opp til større nevrale nettverk, vil den påvirke framtida til datateknologien, skriver den østerrikske informatikeren Robert Legenstein i en uavhengig kommentar i Nature, der også studien er publisert.

Han ser for seg at nevrale nettverk kan supplere tradisjonelle datakretser i bærbare datamaskiner, mobiltelefoner og roboter.

De ekstremt batterivennlige memristorene kunne da overta oppgaver som nevrale nettverk er spesielt gode til. De kunne tolke bilder, gjenkjenne stemmer og behandle andre sansestimuli, foreslår Legenstein.

– Memristorene kan plasseres rett på toppen av noen typer vanlige databrikker, kommenterer Philipp Häfliger i en e-post til forskning.no. Häfliger er førsteamanuensis ved Institutt for informatikk på Universitetet i Oslo.

De kan plasseres inne i enkelte vanlige databrikker uten å ta ekstra plass. De vanlige databeregningene gjøres av databrikkene, og memristorene tar seg av minnet. Siden de ligger sammen, ligner de mer på hjernen. Dette blir veldig effektivt, ifølge Häfliger.

Evolusjon som kan gi revolusjon

Selv med disse mulighetene er det et godt stykke igjen før memristorene kan etterligne hjernen i større skala.

– Memristorer i seg selv er mer en evolusjon enn en revolusjon, mener Häfliger.

På lengre sikt kan likevel memristoren bli et verktøy som muliggjør en revolusjon. Men da må vi også vite mer om hjernen.

– Vi har fortsatt liten forståelse av hvordan større nettverk i hjernen vår virkelig fungerer. Større kunstige nevrale nettverk som gjør noe meningsfullt, er fortsatt nokså begrensede, skriver Häfliger.

Ikke bare for nevrale nettverk

Häfliger mener også at memristorer kan gjøre nytte for seg i vanlige datamaskiner. De kan kanskje erstatte både harddisker, flashminne og RAM.

RAM er det hurtige minnet i datamaskinen. Det blir borte når maskinen skrus av, som alle bittert har fått erfare hvis de har glemt å lagre og strømmen går.

– Memristorer er veldig kompakte og kan lagre data også når de ikke forsynes med strøm. Variantene som utvikles i dag, bruker ganske lite energi og er akseptabelt raske. De blir sikkert også bedre med tiden, mener Häfliger.

Referanse:

M. Prezioso m.fl.: Training andoperation of an integrated neuromorphic network based on metal-oxide memristors, Nature 7. mai 2015, vol. 521, doi:10.1038/nature14441, sammendrag.