Transistores sinápticos inspirados en el cerebro para el aprendizaje de refuerzo de spiking in situ con traza de...

Área de la Ciencia:

• Ciencia de los materiales Ciencia de los materiales.
• La neurociencia es la neurociencia.
• Ciencias de la computación Ciencias de la computación

Sus antecedentes:

• Las redes neuronales artificiales actuales carecen de mecanismos biológicos cruciales para el aprendizaje de refuerzo avanzado (RL).
• Los materiales emergentes ofrecen potencial para imitar complejas dinámicas de RL.
• Las redes neuronales de picos (SNNs) son prometedoras para la computación inspirada en el cerebro.

Objetivo del estudio:

• Desarrollar una arquitectura de computación RL basada en SNN inspirada en el cerebro.
• Para utilizar transistores de efecto de campo de semiconductores ferroeléctricos α-In2Se3 para RL.
• Implementar mecanismos de aprendizaje biológico como el rastreo de elegibilidad y la señalización dinámica de recompensas.

Principales métodos:

• Fabricación y caracterización de transistores de efecto de campo de semiconductores ferroeléctricos α-In2Se3.
• Diseño de una red neuronal RL utilizando una matriz de transistores α-In2Se3.
• Demostración de tareas de conducción autónoma utilizando la arquitectura desarrollada.

Principales resultados:

• El transistor α-In2Se3 permitió la modulación de la señal de recompensa y el decaimiento de la huella de elegibilidad.
• La arquitectura realizó actualizaciones de peso basadas en recompensas in situ y descomposición del rastro de elegibilidad.
• Las tareas de conducción autónoma se demostraron con éxito con la red neuronal RL.

Conclusiones:

• La arquitectura desarrollada permite un aprendizaje de refuerzo basado en spiking totalmente funcional, eficiente energéticamente y de bajo coste.
• Este enfoque integra los mecanismos esenciales de aprendizaje biológico en el hardware.
• El estudio allana el camino para la inteligencia artificial general avanzada.