Các nhà khoa học phát triển thành công khớp thần kinh điện tử, dạy máy tính tự quên những thứ cần phải quên

Bộ não con người là một cỗ máy tính tối thượng, ngay cả khi nó vẫn tồn tại những thứ mà chúng ta coi là nhược điểm: tính hay quên. Không giống như một cỗ máy tính, chỉ cần nạp vào một từ mới tiếng Anh và nó sẽ nhớ từ đó suốt đời hoặc cho đến khi ổ cứng bị hỏng, bộ não của bạn sẽ quên ngay từ mới mà bạn vừa học chỉ sau vài tuần. Cách duy nhất để nhớ được là liên tục nhắc lại nó trong đầu.

Nhưng hóa ra, thứ bạn coi là nhược điểm lại là ưu điểm trong một hệ thống gọi là máy tính thần kinh analog mà các nhà khoa học đang mơ ước phát triển được. Hãy tưởng tượng, điều gì sẽ xảy ra nếu bạn tạo ra được một người máy với não bộ, rồi không trang bị cho nó tính năng "quên" thông tin.

Hệ quả là nó sẽ phải ghi nhớ mọi thứ, tất cả những tiếng còi xe ngoài đường, mọi khuôn mặt mà nó đã gặp trong đời, mọi thứ mà nó đọc được trên internet... Sẽ không có một bộ nhớ vô tận nào cho phép con robot làm điều đó. Vì vậy, tốt nhất là nó nên tự "quên" đi những thông tin không quan trọng.

Khả năng quên thông tin sẽ giúp cho một cỗ máy tính thần kinh analog tiết kiệm được năng lượng. bộ nhớ, đồng thời tăng tốc độ tính toán mà vẫn có thể truy xuất những thông tin quan trọng khi cần thiết.

Bây giờ, một nhóm nghiên cứu tại Nga đã có thể mô phỏng "tính đãng trí" của con người lên một thiết bị được gọi là memristor bậc hai ,với memristor ghép từ memory (ký ức) và resistor (điện trở).

Thiết kế hết sức thông minh cho phép nó bắt chước được tính chất của một khớp thần kinh trong não bộ con người khi ghi nhớ thông tin, và cả khi thông tin đó mất dần theo thời gian nếu không được truy cập hay nhớ lại.

Mặc dù tại thời điểm này, các memristor chưa có nhiều ứng dụng thực tế. Tuy nhiên trong tương lai, các nhà khoa học có thể sử dụng chúng để phát triển một loại máy tính thần kinh mới làm nền tảng cho các hệ thống trí tuệ nhân tạo. Hệ thống này có thể đáp ứng một số chức năng tương tự mà não bộ con người có thể thực hiện.

Thiết bị mô phỏng khớp nối thần kinh, dạy máy tính quên đi những thứ cần phải quên

Trong một cỗ máy tính thần kinh analog các thành phần điện tử tích hợp trên chip của nó phải đảm nhận được vai trò của những nơ-ron và khớp thần kinh như trong não bộ con người. Nếu làm được điều này, cỗ máy có thể cùng lúc tăng tốc độ tính toán, đồng thời giảm được nhu cầu năng lượng mà nó tiêu thụ.

Đáng tiếc là vào lúc này, những cỗ máy tính thần kinh analog như vậy vẫn chỉ tồn tại trên giấy.

Một trở ngại lớn đó là chúng ta chưa thể chế tạo ra được một thiết bị điện tử có thể bắt chước tính dẻo của các khớp thần kinh – trong đó, khớp thần kinh nào hoạt động nhiều sẽ trở nên mạnh hơn, còn các khớp hoạt động ít sẽ dần dần yếu đi.

Tính dẻo của khớp thần kinh cũng là cơ chế giúp chúng ta ghi nhớ rất sâu đậm một số ký ức quan trọng. Ngược lại, não bộ có thể tự nó xóa đi những thông tin không thiết yếu để giải phóng hoạt động cho nó.

Trước đây, một số nhà khoa học từng phát triển các memristor để thực hiện vai trò của khớp nối thần kinh, sử dụng một thiết kế cầu dẫn nano. Cầu dẫn siêu mỏng này sau đó sẽ phân rã theo thời gian, giống như cách mà ký ức dần biết mất trong tâm trí chúng ta.

"Thiết bị sử dụng giải pháp [memristor bậc nhất] này tồn tại một vấn đề, đó là nó có xu hướng thay đổi hành vi theo thời gian và bị hỏng sau quá trình hoạt động kéo dài", nhà vật lý Anastasia Chouprik đến từ Viện Vật lý và Công nghệ Moscow (MIPT), Liên Bang Nga cho biết.

Để tạo ra một thế hệ memristor mới, nhóm nghiên cứu của Chouprik đã sử dụng vật liệu sắt điện oxit hafnium thay cho ống nano. Vật liệu sắt điện này có thể đáp ứng với điện trường bên ngoài tác động vào nó bằng cách thay đổi trạng thái phân cực điện. Nói một cách khác, khi các xung điện tác động vào vật liệu, nó có thể thiết lập lại trạng thái điện trở của mình.

Cơ chế lãng quên mà memristor bắt chước được là nhờ chính khiếm khuyết ở vùng tiếp giáp giữa silic và hafnium oxide. Những khiếm khuyết này hiện đang làm cho những con chip khó có thể được phát triển từ vật liệu hafnium. Nhưng hóa ra, nó lại là một cơ chế hoàn hảo cho memristor khi khiến độ dẫn điện của nó suy giảm dần theo thời gian, giống như cách trí nhớ bị lãng quên.

"Thách thức chính mà chúng tôi gặp phải là tìm ra độ dày thích hợp cho lớp sắt điện", Chouprik nói. "Con số 4 nm được chứng minh là lý tưởng. Nếu lớp sắt điện đó mỏng hơn 1 nm, các tính chất sắt điện của nó sẽ biến mất. Trong khi, một lớp màng dày hơn sẽ trở thành rào cản quá lớn không cho phép các electron đi xuyên qua".

Trong so sánh với thế hệ memristor cũ, "cơ chế chúng tôi sử dụng để mô phỏng tính dẻo của khớp thần kinh hiện đã chuẩn xác hơn", Chouprik nói. "Trên thực tế, sau khi chuyển trạng thái của 100 tỷ lần, hệ thống vẫn hoạt động bình thường, vì vậy các đồng nghiệp của tôi đã dừng thử nghiệm độ bền lại [trước cả khi ghi nhận những trục trặc trong thiết bị]".

Một memristor (bên phải) mô phỏng được tính dẻo của khớp thần kinh (bên trái).

Một điều nữa làm cho oxit hafnium trở thành một vật liệu lý tưởng để chế tạo các memristor bắt chước khớp thần kinh, đó là việc nó cũng đang được các công ty như Intel sử dụng để chế tạo vi mạch. 

Các nhà khoa học tính toán rằng, nếu trong tương lai họ làm được ra một cỗ máy tính thần kinh thật, việc chế tạo công nghiệp hàng loạt các memristor cũng sẽ được thực hiện dễ dàng hơn trên các dây chuyền hiện có.

Mặc dù vậy, chúng ta vẫn phải thừa nhận rằng việc chế tạo thành công những cỗ máy tính thần kinh vẫn còn hẳn một chặng đường dài phía trước. Các nhà khoa họ sẽ cần làm cho bộ nhớ memristor trở nên đáng tin cậy hơn. Họ cũng đang phải nghiên cứu tiếp xem memristor có thể được tích hợp vào các thiết bị điện tử khác như thế nào cho linh hoạt.

"Chúng tôi sẽ xem xét tương tác giữa các cơ chế chuyển đổi điện trở khác nhau trong memristor của mình", nhà vật lý Vitalii Mikheev đến từ MIPT nói. "Hóa ra sắt điện có thể không phải hiệu ứng duy nhất tham gia vào đây. Để cải thiện các thiết bị hơn nữa, chúng tôi sẽ cần phân biệt các cơ chế và học cách kết hợp chúng lại với nhau"

Nghiên cứu đã được công bố trên tạp chí ACS Applied Materials & Interfaces.

Tham khảo Sciencealert