Projektbeschreibung
Implementierung von gehirninspiriertem Rechnen im reziproken Raum eines einzelnen magnetischen Elements
Künstliche neuronale Netzwerke repräsentieren von biologischen neuronalen Netzwerken inspirierte Rechnersysteme. Sie ahmen das Gehirn nach, indem ihre nichtlinearen Elemente als Neuronen fungieren, die durch künstliche Synapsen miteinander verbunden sind. Aktuelle Architekturen stehen jedoch vor Herausforderungen: Die Anzahl der implementierten Synapsen ist im Vergleich zu den Zehntausenden im menschlichen Gehirn sehr begrenzt. Darüber hinaus erfordert die Gewichtsveränderung jeder Verbindung zusätzliche Speicherelemente. Das EU-finanzierte Projekt k-NET wird diese Problemstellung umgehen. Es schlägt eine neue Architektur vor, die auf der Idee beruht, dass die dynamische Hyperverbindung nicht im realen Raum, sondern im reziproken oder k-Raum implementiert werden kann. Um diesen neuartigen Ansatz zu demonstrieren, werden die Forschenden ferromagnetische Nanostrukturen wählen, in denen die Populationen von Spinwellen – die elementaren Anregungen – die Rolle von Neuronen übernehmen.
Ziel
Artificial neural networks represent a key component of neuro-inspired computing for non-Boolean computational tasks. They emulate the brain by using nonlinear elements acting as neurons that are interconnected through artificial synapses. However, such physical implementations face two major challenges. First, interconnectivity is often constrained because of limits in lithography techniques and circuit architecture design; connections are limited to 100s, compared with 10000s in the human brain. Second, changing the weight of these individual interconnects dynamically requires additional memory elements attached to these links.
Here, we propose an innovative architecture to circumvent these issues. It is based on the idea that dynamical hyperconnectivity can be implemented not in real space but in reciprocal or k-space. To demonstrate this novel approach we have selected ferromagnetic nanostructures in which populations of spin waves – the elementary excitations – play the role of neurons. The key feature of magnetization dynamics is its strong nonlinearity, which, when coupled with external stimuli like applied fields and currents, translates into two useful features: (i) nonlinear interactions through exchange and dipole-dipole interactions couple potentially all spin wave modes together, thereby creating high connectivity; (ii) the strength of the coupling depends on the population of each k mode, thereby allowing for synaptic weights to be modified dynamically. The breakthrough concept here is that real-space interconnections are not necessary to achieve hyper-connectivity or reconfigurable synaptic weights.
The final goal is to provide a proof-of-concept of a k-space neural network based on interacting spin waves in low-loss materials such as yttrium iron garnet (YIG). The relevant spin wave eigenmodes are in the GHz range and can be accessed by microwave fields and spin-orbit torques to achieve k-space Neural computation with magnEtic exciTations.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-FETOPEN-2018-2019-2020-01
Finanzierungsplan
RIA - Research and Innovation actionKoordinator
75794 Paris
Frankreich