ENG: The development of neural networks to create artificial intelligence in computers was originally inspired by how biological systems work. While neural-network models have achieved remarkable success in applications such as image generation and cancer diagnosis, they still lag far behind the general processing abilities of the human brain. In part, this is because they are implemented in software using traditional computer hardware that is not optimized for the millions of parameters and connections that these models typically require. Now, researchers from Osaka University and Hokkaido University plan to change this by creating neuromorphic ‘wetware’.
Neuromorphic wetware is based on memristive devices, whose resistance is set by its history of applied voltage and current. In this approach, electropolymerization is used to link electrodes immersed in a precursor solution using wires made of conductive polymer. The resistance of each wire is then tuned using small voltage pulses, resulting in a memristive device.
The researchers were able to grow polymer wires from a common polymer mixture called ‘PEDOT:PSS’, which is highly conductive, transparent, flexible, and stable. A 3D structure of top and bottom electrodes was first immersed in a precursor solution. The PEDOT:PSS wires were then grown between selected electrodes by applying a square-wave voltage on these electrodes, mimicking the formation of synaptic connections through axon guidance in an immature brain. Once the wire was formed, the characteristics of the wire, especially the conductance, were controlled using small voltage pulses applied to one electrode, which changes the electrical properties of the film surrounding the wires.
The fabricated network was used to demonstrate unsupervised Hebbian learning (i.e., when synapses that often fire together strengthen their shared connection over time). What’s more, the researchers were able to precisely control the conductance values of the wires so that the network could complete its tasks. Spike-based learning, another approach to neural networks that more closely mimics the processes of biological neural networks, was also demonstrated by controlling the diameter and conductivity of the wires.
RO: Dezvoltarea rețelelor neuronale pentru a crea inteligență artificială în calculatoare a fost inspirată inițial de modul în care funcționează sistemele biologice. Deși modelele dezvoltate au înregistrat un succes remarcabil în aplicații precum generarea de imagini și diagnosticarea cancerului, ele sunt încă mult în urma capacităților generale de procesare ale creierului uman. În parte, acest lucru se datorează faptului că sunt implementate în software, utilizând hardware-ul tradițional al calculatoarelor care nu este optimizat pentru milioanele de parametri și conexiuni pe care aceste modele le necesită de obicei. În prezent, cercetătorii de la Universitatea din Osaka și de la Universitatea Hokkaido intenționează să schimbe această situație prin crearea de “wetware” neuromorfic.
Arhitectura neuromorfică este bazată pe dispozitive memristive a căror rezistență este stabilită de istoricul tensiunii și curentului aplicat. În cadrul acestei abordări, se utilizează electropolimerizarea pentru a lega electrozii scufundați într-o soluție de precursor cu ajutorul unor fire realizate din polimer conductiv. Rezistența fiecărui fir este apoi reglată cu ajutorul unor impulsuri mici de tensiune, rezultând astfel un dispozitiv memristiv.
Cercetătorii au reușit să crească fire de polimer dintr-un amestec de polimer comun numit “PEDOT:PSS”, care este foarte conductiv, transparent, flexibil și stabil. O structură 3D de electrozi de sus și de jos a fost mai întâi scufundată într-o soluție de precursor. Firele de PEDOT:PSS au fost apoi crescute între electrozii selectați prin aplicarea unei tensiuni de undă pătrată pe acești electrozi, imitând formarea conexiunilor sinaptice prin ghidarea axonilor într-un creier imatur. Odată ce firul a fost format, caracteristicile firului, în special conductanța, au fost controlate cu ajutorul unor mici impulsuri de tensiune aplicate la un electrod, care modifică proprietățile electrice ale peliculei care înconjoară firele.
Rețeaua astfel fabricată a fost utilizată pentru a demonstra învățarea Hebbian nesupravegheată (adică atunci când sinapsele care se declanșează adesea împreună își consolidează conexiunea comună în timp). Mai mult, cercetătorii au reușit să controleze cu precizie valorile de conductanță ale firelor, astfel încât rețeaua să își poată îndeplini sarcinile. Învățarea bazată pe vârfuri, o altă abordare a rețelelor neuronale care imită mai îndeaproape procesele rețelelor neuronale biologice, a fost și ea demonstrată prin controlul diametrului și conductivității firelor.
Source (Osaka University, “Growing bio-inspired polymer brains for artificial neural networks”, 01.07.2023)
Paper: Hagiwara, N., Asai, T., Ando, K. and Akai‐Kasaya, M., 2023. Fabrication and Training of 3D Conductive Polymer Networks for Neuromorphic Wetware. Advanced Functional Materials, p.2300903.
