Neuromorphic Computing with oxide and spintronic devices

• Autores: Alejandro Lopez Fernandez
• Directores de la Tesis: Julio Camarero de Diego (dir. tes.), Miguel Romera Rabasa (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2024
• Idioma: inglés
• Número de páginas: 127
• Títulos paralelos:
  • Computación Neuromórfica con dispositivos óxidos y espintrónicos
• Tribunal Calificador de la Tesis: Lucas Pérez García (presid.), Javier Tornos Castillo (secret.), Felipe García Sánchez (voc.), Cristina Navío Bernabeu (voc.), Sandra Ruiz Gómez (voc.)
• Programa de doctorado: Programa de Doctorado en Física por la Universidad Complutense de Madrid
• Materias:
  • Física
    • Otras especialidades físicas
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen
  • español

    La computación neuromórfica es una rama científica que surge a partir de la necesidad creciente de optimizar el consumo energético, cada vez mayor, de las redes neuronales artificiales, que son algoritmos que intentan reproducir comportamientos del cerebro humano. Estos sistemas se ejecutan en ordenadores que siguen la arquitectura Von Neumann, donde hay una única unidad de memoria separada de una única unidad de procesamiento. En cambio, en el cerebro humano hay más de un billón de unidades de procesamiento, que son las neuronas, conectadas a un número aun mayor de unidades de memoria, que serían las sinapsis, en una estructura altamente paralela y eficiente. Es por ello por lo que el foco de la computación neuromórfica está en el desarrollo de dispositivos de hardware que reproduzcan los comportamientos de neuronas y sinapsis.

    Dentro de este marco es donde tiene lugar la tesis doctoral bajo el nombre Computación Neuromórfica con dispositivos óxidos y electrónicos. En esta tesis, lo que se muestran son dos alternativas cuyos resultados abren las puertas para continuar dicha investigación. La primera propuesta está basada en el desarrollo de un transistor sináptico basado en una película ultradelgada de La0.7Sr0.3MnO3 (LSMO) en conjunto con un líquido iónico llamado DEME-TFSI. Este transistor sináptico consigue reproducir importantes propiedades sinápticas relacionadas con la memoria a largo y corto plazo, así como algunos de los principales comportamientos neuronales más interesantes para el desarrollo de dispositivos neuromórficos. Por otro lado, la segunda propuesta se basa en el desarrollo de un clasificador reconfigurable diseñado a partir de 3 uniones túnel magnéticas cuya tecnología es la misma que la empleada en las memorias RAM actuales. A partir de estas 3 uniones, se consigue desarrollar un sistema capaz de reconocer 7 vocales diferentes provenientes de un conjunto de personas con un porcentaje de reconocimiento superior a un sistema equivalente basado en software.

    El transistor sináptico se desarrolló teniendo en cuenta las alternativas ya existentes en la literatura, que son los dispositivos conocidos como memristores y neuristores, así como las propiedades demostradas por los óxidos complejos, los cuales pueden exhibir cambios de comportamiento bajo estímulos externos como es el caso del LSMO, material donde la aplicación de un campo eléctrico externo puede provocar cambios de resistencia volátiles y no volátiles, siendo ambos altamente interesantes para los dispositivos neuromórficos.

    El desarrollo del clasificador reconfigurable se basó también en las alternativas propuestas de sistemas similares que ya han demostrado eficiencias y rendimientos superiores a sus análogos de software. En el caso de las uniones túnel, usando el fenómeno de la transferencia de espín es posible realizar dicha detección de vocales midiendo el número de inversiones producidas en las uniones cuando se le aplica una determinada densidad de corriente eléctrica.

  • English

    In recent years, the field of artificial intelligence has undergone exponential growth, seeking to perform increasingly complex tasks. This has brought with it great technological advances but has also led to a large increase in energy consumption by the systems in which they are executed. The main cause of this comes from the use of systems based on the Von Neuman architecture, a sequential architecture with separate memory and processor that is far from that of the human brain, where processing (neurons) and memory (synapses) are entangled in a highly parallel architecture. Neuromorphic computing seeks to solve this problem by implementing parallel architectures that entangle memory and processor directly in hardware, which requires the development of devices that reproduce behaviors crucial to the functioning of the brain...