Uudenlaisia tietokoneita kohti memristorien avulla (Väitös: FM Ville Lähteenlahti, 12.12.2022, fysiikka)
Digitaalisen tiedon määrän räjähdysmäinen kasvu on kannustanut tutkijoita kehittämään uusia tapoja tallentaa ja käsitellä tietoa. Yksi lupaavimmista uusista lähestymistavoista ovat neuromorfiset laitteet, jotka perustuvat biologisien neuroverkkojen jäljittelyyn. Väitöskirjassaan Ville Lähteenlahti tutkii memristoreita – neuromorfisien laitteiden rakenneosasia, joita voidaan käyttää sekä tiedon tallentamiseen, että laskutoimitusten suorittamiseen.
Ville Lähteenlahden väitöstutkimus keskittyy sekavalenssisten manganiittioksidimemristorien mallintamiseen, valmistamiseen ja mittaamiseen. Tutkimuksesta ilmenee, että materiaaleilla on lupaavia ominaisuuksia neuromorfisien laitteiden toteuttamiseen. Kun tutkituista manganiittimateriaaleista valmistetaan kuvioituja ohutkalvorakenteita, saadaan aikaan memristoreita, joiden tilaa voidaan ohjata tarkasti ja toistettavasti.
Memristorit ovat elektroniikan passiivisia komponentteja, joiden resistanssi riippuu jännitteen ja sähkövirran lisäksi ajasta. Tästä seuraa, että memristoreista voidaan valmistaa laitteita, jotka muistavat niiden tilan. Muistiominaisuutta voidaan hyödyntää uudenlaisien muistien kehittämiseen – esimerkiksi memristoreista valmistetun tietokoneen muistin tila säilyisi sähkökatkonkin yli.
– Memristorit soveltuvat myös laskentaan. Laskentasovelluksissa memristoreista rakennetaan keinotekoisia neuroverkkoja, joita voidaan käyttää koneoppimisongelmien ratkaisuun, vaikkapa kirjaimien tunnistamiseen kuvista. Suurien neuroverkkojen opettaminen kuluttaa tällä hetkellä paljon energiaa, jos verkot rakennettaisiin rautatasolla memristoreita hyödyntäen, voitaisiin energiakulutusta pienentää huomattavasti. Memristoreista voidaan tehdä pieniä, ne voidaan pakata tiiviisti ja niiden tilan muuttamiseen tarvittava energia voidaan optimoida hyvin pieneksi, Lähteenlahti kuvaa.
Memristorilaitteissa esiintyvien ilmiöiden ja fysikaalisten ominaisuuksien tutkimisen lisäksi väitöskirjatutkimuksessa rakennettiin piirisimulaattorimalli, joka mahdollistaa memristorikomponentteja sisältävien elektroniikkapiirien simuloinnin.
Tutkituilla memristorilaitteilla demonstroitiin myös Hebbianilainen oppimissääntö, jossa samaan aikaan ja oikeassa järjestyksessä jännitepiikkejä lähettävät laitteet kytkeytyvät toisiinsa. Jos lähettävä laite lähettää jännitepiikin ja vastaanottava laite lähettää piikin heti lähetetyn piikin saapumisen jälkeen, laitteiden välinen yhteys vahvistuu, jos taas vastaanottava laite lähettää piikin ennen lähettävän laitteen piikin saapumista, yhteys heikkenee.
– Myös aivojen on havaittu käyttävät samaa sääntöä oppiessaan kokemuksista. Oppimissääntö mahdollistaa ohjaamattoman oppimisen, jossa neuroverkko oppii reagoimaan sille aikaisemmin esitettyyn syötteeseen, Lähteenlahti kertoo.
***
FM Ville Lähteenlahti esittää väitöskirjansa ”Memristor Devices Based on Low-Bandwidth Manganites” julkisesti tarkastettavaksi Turun yliopistossa maanantaina 12.12.2022 klo 12. (Turun yliopisto, Quantum, luentosali XVII, Vesilinnantie 5, Turku)
Väitöstä voi seurata myös etänä
Vastaväittäjänä toimii tohtori Felix Gunkel (Forschungszentrum Jülich, Saksa) ja kustoksena professori Petriina Paturi (Turun yliopisto). Tilaisuus on englanninkielinen. Väitöksen alana on fysiikka.
