Brein-achtige dataverwerking door lerende magneten

Het wetenschappelijk tijdschrift Applied Physics Letters publiceerde Supervised learning of an opto-magnetic neural network with ultrashort laser pulses afgelopen week.

Het menselijk brein gebruikt vele malen minder energie dan onze huidige computers om dezelfde hoeveelheid informatie te verwerken. Dat komt doordat ons brein informatie parallel kan verwerken, maar ook op kan slaan door verbindingen sterker en zwakker te maken.

"We wilden kijken of we deze plasticiteit ook konden inbouwen in een kunstmatig systeem, in combinatie met de al langer bekende snelle en zuinige techniek waarmee we magnetisme met licht controleren", aldus natuurkundigen Johan Mentink en Theo Rasing. "Hiermee zal een energiezuinige en slimme computer uiteindelijk mogelijk moeten worden."

Analoog in plaats van digitaal

Het is al langer bekend dat snelle en energiezuinige dataopslag mogelijk is met magnetisme. Door korte lichtpulsjes op een magnetisch materiaal af te vuren, worden magnetische spins in het materiaal omgepoold, waardoor een bit van een 0 in een 1 verandert. "Maar om deze magneten zich te laten gedragen als synapsen waarmee niet alleen data opgeslagen maar ook nieuwe informatie verwerkt kan worden, zoals in het brein, moeten ze continu kunnen veranderen", aldus Mentink. "We hebben de magneten deze eigenschap kunnen geven door ervoor te zorgen dat de magnetische toestand in het materiaal geleidelijk verandert onder invloed van licht, in plaats van een volledige ompoling in één keer. Je kunt het vergelijken met een analoge klok, die geleidelijk gaat, in plaats van een digitale."

Magneten met leergedrag

Dit nieuwe plastische kenmerk maakte de weg vrij voor de onderzoekers om een klein kunstmatig neuraal netwerk te bouwen, waarbij twee losse gebiedjes in de magneet – twee kunstmatige synapsen – aan elkaar gekoppeld waren. Rasing: "We hebben laten zien dat het mogelijk is om een kunstmatig neuraal netwerk te bouwen met magneten dat, naast dat het data kan opslaan, ook echt in staat is patronen te classificeren en leergedrag te vertonen."

De onderzoekers willen nu gaan kijken of ze grotere kunstmatige neurale netwerken kunnen bouwen gebaseerd op deze aanpak. Mentink: "Op dit moment geeft een externe computer het neurale netwerk nog de benodigde feedback waarmee het netwerk kan leren. Op de langere termijn hopen we dat we een natuurkundig principe kunnen vinden waarmee ook de feedback ingebouwd kan worden in het materiaal zelf. Dit zou een grote impact hebben op de manier waarop kunstmatige neurale netwerken gebruikt kunnen worden in de maatschappij."