Chloé Moreau
Une nouvelle méthode pour connecter les neurones dans les wetwares neuromorphiques a été développée par des chercheurs de l’Université d’Osaka et de l’Université d’Hokkaido. Le matériel humide comprend des fils polymères conducteurs développés dans une configuration tridimensionnelle, réalisée en appliquant une stress d’onde carrée à des électrodes immergées dans une remedy précurseur. La tension peut modifier la conductance du fil, permettant au réseau d’être formé. Ce réseau fabriqué est capable d’effectuer un apprentissage Hebbian non supervisé et un apprentissage basé sur les photos.
Le développement de réseaux de neurones pour créer une intelligence artificielle dans les ordinateurs a été inspiré à l’origine par le fonctionnement des systèmes biologiques. Ces réseaux «neuromorphes», cependant, fonctionnent sur du matériel qui ne ressemble en rien à un cerveau biologique, ce qui limite les performances. Aujourd’hui, des chercheurs de l’Université d’Osaka et de l’Université d’Hokkaido prévoient de changer cela en créant un « wetware » neuromorphique.
Alors que les modèles de réseaux neuronaux ont obtenu un succès remarquable dans des programs telles que la génération d’images et le diagnostic du cancer, ils sont encore loin derrière les capacités de traitement générales du cerveau humain. Cela s’explique en partie par le fait qu’ils sont implémentés dans des logiciels utilisant du matériel informatique traditionnel qui n’est pas optimisé pour les millions de paramètres et de connexions que ces modèles nécessitent généralement.
Un wetware neuromorphique, basé sur des dispositifs memristifs, pourrait résoudre ce problème. Un dispositif memristif est un dispositif dont la résistance est définie par son historique de tension et de courant appliqués. Dans cette approche, l’électropolymérisation est utilisée pour relier des électrodes immergées dans une solution précurseur à l’aide de fils en polymère conducteur. La résistance de chaque fil est ensuite réglée à l’aide de petites impulsions de tension, ce qui donne un dispositif memristif.
“Le potentiel de création de réseaux rapides et économes en énergie a été démontré à l’aide de buildings 1D ou 2D”, déclare l’auteur principal Megumi Akai-Kasaya. “Notre objectif était d’étendre cette approche à la development d’un réseau 3D.”
Les chercheurs ont pu faire pousser des fils polymères à partir d’un mélange de polymères commun appelé « PEDOT :PSS », qui est hautement conducteur, clear, versatile et stable. Une framework 3D d’électrodes supérieure et inférieure a d’abord été immergée dans une remedy précurseur. Les fils PEDOT :PSS ont ensuite été développés entre des électrodes sélectionnées en appliquant une rigidity carrée sur ces électrodes, imitant la formation de connexions synaptiques par guidage axonal dans un cerveau immature.
Une fois le fil formé, les caractéristiques du fil, en particulier la conductance, ont été contrôlées à l’aide de petites impulsions de rigidity appliquées à une électrode, ce qui modifie les propriétés électriques du film entourant les fils.
“Le processus est continu et réversible”, explique l’auteur principal Naruki Hagiwara, “et cette caractéristique est ce qui permet au réseau d’être formé, tout comme les réseaux de neurones basés sur des logiciels.”
Le réseau fabriqué a été utilisé pour démontrer l’apprentissage hebbien non supervisé (c’est-à-dire lorsque des synapses qui se déclenchent souvent ensemble renforcent leur connexion partagée au fil du temps). De moreover, les chercheurs ont pu contrôler avec précision les valeurs de conductance des fils afin que le réseau puisse accomplir ses tâches. L’apprentissage basé sur les pointes, une autre approche des réseaux de neurones qui imite plus étroitement les processus des réseaux de neurones biologiques, a également été démontré en contrôlant le diamètre et la conductivité des fils.
Ensuite, en fabriquant une puce avec un moreover grand nombre d’électrodes et en utilisant des canaux microfluidiques pour fournir la remedy précurseur à chaque électrode, les chercheurs espèrent construire un réseau additionally grand et additionally puissant. Dans l’ensemble, l’approche déterminée dans cette étude est un grand pas vers la réalisation de wetware neuromorphique et comble l’écart entre les capacités cognitives des humains et des ordinateurs.
