長残光発光を利用した光学材料ベースニューラルネットワーク処理の物理的実装

科学分野:

• 材料科学
• 神経科学
• コンピュータ工学

背景:

• 従来のフォン・ノイマンアーキテクチャは、AIにおけるボトルネックとエネルギー非効率性に直面しています。
• 脳を模倣したニューロモルフィックデバイスは、並列処理とメモリ統合処理を提供します。
• 光学ニューロモルフィックデバイスは、高速度、高帯域幅、低干渉のために光を利用します。

研究 の 目的:

• 光学的に動作する人工シナプスの基質として長残光発光（LPL）材料を提案し、実証すること。
• 次世代のエネルギー効率の高い光学ニューロモルフィックシステムのためのLPL材料の可能性を探求すること。

主な方法:

• LPL特性のための固有の欠陥状態を持つAGa2O4（A = Mg、Ca、Sr、またはBa）発光酸化物を使用しました。
• メモリ保持と非線形変換を含む、光学材料ベースのニューラル処理の物理的実装を実証しました。
• リザーバーコンピューティングおよびニューラルネットワークアーキテクチャを使用して、LPLベースのニューラルネットワークをリアルタイムのポンゲームプレイおよび手書き数字認識に適用しました。

主要な成果:

• 光駆動信号処理によるポンゲームでの自律的意思決定を達成しました。
• LPL材料の非線形時間ダイナミクスと発光マッピングを利用して手書き数字認識を成功裏に実行しました。
• 複雑な材料工学なしに、LPL材料が光学的人工シナプスの効果的な基質として機能することを示しました。

結論:

• 長残光発光材料は、エネルギー効率の高い光学ニューロモルフィックシステムの開発のための汎用性の高いプラットフォームを提供します。
• AGa2O4酸化物中の固有の欠陥状態は、ニューラル処理のための優れたLPL特性を可能にします。
• この研究は、光駆動型の脳にヒントを得たコンピューティングのための新しい経路を確立します。