Dott. Vinod K. Sangwan, Northwestern University, Evanston, Illinois, USA
Materiali Nanostrutturati Emergenti per il Calcolo Neuromorfico Bio-Realistico
L'hardware computazionale ispirato al cervello sta emergendo come alternativa ai circuiti integrati al silicio a semiconduttore a ossido di metallo complementare per affrontare la crisi energetica derivante dalla rapida crescita della generazione ed elaborazione dei dati digitali. Le tradizionali memorie non volatili possono realizzare un calcolo in-memory altamente parallelizzato nelle reti neurali, ma mancano dell'adattabilità e della riconfigurabilità che sono gli attributi chiave dei sistemi biologici a basso consumo energetico. A tal fine, i dispositivi neuromorfici basati su nanomateriali a bassa dimensionalità incarnano l'apprendimento sintonizzabile bio-realistico, le variabili di stato accoppiate, le risposte non lineari e le architetture multi-terminale delle sinapsi. In questa Distinguished Lecture, Sangwan sostiene l'uso di nanomateriali bidimensionali (2D) per l'hardware neuromorfico facendo parallelismi tra le proprietà fondamentali, i fattori di forma e le funzionalità richieste nelle sinapsi artificiali, nei neuroni e nelle architetture di rete. Come alcuni esempi, MoS2I memtransistor mostrano un apprendimento sinaptico bio-realistico in array a barra incrociata scalabili per reti neurali dinamiche ad alta dimensionalità. La ferrolettricità anomala nei memtransistor sinaptici di grafene bicome moiré raggiunge un apprendimento adattivo senza precedenti. I transistor a eterogiunzione Gaussiani dual-gate, autoallineanti e a dimensionalità mista non solo realizzano comportamenti di spiking complessi, ma abilitano anche hardware a basso consumo per algoritmi di machine learning nel computing di bordo.
