آوای خزر/ محاسبات نورومورفیک یک الگوی محاسباتی جدید است که در آن رفتار مغز با تقلید از عملکردهای سیناپسی اصلی نورون‌ها شبیه‌سازی می‌شود. از جمله این عملکردها، می‌توان به انعطاف پذیری عصبی اشاره کرد: توانایی ذخیره‌سازی یا فراموشی اطلاعات بسته به مدت زمان و تکرار تکانه‌های الکتریکی که نورون‌ها را تحریم می‌کند. این عملکرد با یادگیری و حافظه مرتبط است.
نقش ضخامت لایه Conn در حرکت یونی
از جمله موادی که سیناپس‌های نورون را تقلید می‌کنند، می‌توان به مواد مقاومت کننده، فروالکتریک، مواد حافظه تغییر فاز، عایق‌های توپولوژیک و مواد مغناطیسی یونی اشاره کرد. در آخرین مورد، استفاده از میدان الکتریکی باعث جابجایی یون‌ها و تغییر در خواص مغناطیسی ماده می‌شود.
در این مواد، مغناطیس هنگام اعمال میدان الکتریکی تنظیم می‌شود، اما کنترل تکامل خواص مغناطیسی هنگامی که ولتاژ متوقف می‌شود، دشوار است. این امر شبیه‌سازی برخی از عملکردهای الهام گرفته از مغز مانند حفظ کارایی یادگیری حتی زمانی که مغز در حالت خواب عمیق است را پیچیده می‌کند.
ماده‌ای که یادگیری توسط مغز را شبیه‌سازی می‌کند
حالا محققان روش جدیدی برای کنترل تکامل مغناطیسی در حالت تحریک شده و پس از محرک ارائه کرده‌اند. آن‌ها ماده‌ای را از یک لایه نازک مونونیترید کبالت (CoN) ساخته‌اند که در آن، با اعمال میدان الکتریکی، تجمع یون‌های N در سطح مشترک بین لایه و الکترولیت مایعی که لایه در آن قرار گرفته، کنترل می‌شود.
دانشمندان توضیح می‌دهند: «این ماده جدید با حرکت یون‌هایی که توسط ولتاژ الکتریکی کنترل می‌شود، به روشی مشابه مغز ما و با سرعت‌هایی مشابه سرعت تولید شده در نورون‌ها، در حد میلی ثانیه کار می‌کند. ما یک سیناپس مصنوعی ایجاد کرده‌ایم که در آینده ممکن است مبنای یک الگوی محاسباتی جدید باشد، جایگزینی برای نمونه‌ای که توسط رایانه‌های فعلی استفاده می‌شود.»
با اعمال پالس‌های ولتاژ، می‌توان به صورت کنترل شده فرآیندهایی مانند حافظه، پردازش اطلاعات، بازیابی اطلاعات و برای اولین بار به‌روزرسانی کنترل شده اطلاعات بدون ولتاژ اعمالی را شبیه‌سازی کرد. این کنترل با اصلاح ضخامت لایه‌های مونونیترید کبالت (که سرعت حرکت یون‌ها را تعیین می‌کند) و فرکانس پالس‌ها به دست آمده است.
در مطالعه دانشمندان آمده است: «هنگامی که ضخامت لایه مونونیترید کبالت زیر 50 نانومتر است و با ولتاژ اعمال شده در فرکانس بیش از 100 سیکل در ثانیه، ما موفق شده‌ایم تا یک تابع منطقی اضافی را شبیه‌سازی کنیم.»
نتایج به دست آمده با این ماده جدید، طیف وسیعی از احتمالات را برای توابع محاسباتی نورومورفیک باز می‌کند و با استفاده از شبکه‌های عصبی، در ادراک، یادگیری و حافظه کارایی بیشتری ایجاد می‌کند./دیجیاتو
