Modelización de sistemas neuromórficos altamente interconectados

Abstract

El uso intensivo de redes neuronales artificiales está posibilitando un impresionante desarrollo en muchas áreas de la ciencia y la tecnología, principalmente por su aplicación en técnicas de aprendizaje automático y, más generalmente, de inteligencia artificial. Estas redes son abstracciones matemáticas con una fuerte inspiración biológica, implementadas en códigos ejecutados sobre dispositivos electrónicos usuales (software). Una estrategia alternativa, en exploración desde hace pocos años, es que la red pueda estar codificada en el mismo dispositivo (hardware), lo que redundaría tanto en la optimización del consumo eléctrico como en la posibilidad de permitir formas alternativas de cálculo y procesamiento de información. Este enfoque incluye por sí mismo una característica distintiva de los tejidos neuronales biológicos: la conformación de intrincadas redes de componentes, sencillos e imperfectos, con un altísimo grado de interconexión. Un ejemplo de estos sistemas son las redes de nanohilos metálicos. Ellos son generalmente autoensamblados de nanohilos de plata, de algunas decenas de micrones de longitud y centenas de nanómetros de diámetro, cuyas intersecciones, mediadas por el recubrimiento de óxido o el polímero usado en su fabricación, serían el equivalente a las sinapsis en los tejidos neuronales mencionados. En este trabajo exploramos numérico-computacionalmente las propiedades de transporte eléctrico de una red de nanohilos, comparándolas con sistemas experimentales reales. Se analizan de manera detallada varios modelos del contacto entre los nanohilos (interfaces), en particular aquellos con propiedades memristivas. Asimismo, se estudia el efecto de condiciones ambientales, como humedad y temperatura, en su funcionamiento y se evalúa el impacto de la conectividad en sus propiedades eléctricas. Los resultados indican que más allá de las propiedades individuales de las interfaces, el grado de conectividad y la topología de la red condicionan la respuesta eléctrica obtenida y permiten delinear recomendaciones para el diseño de un protocolo de caracterización eléctrica de los sistemas experimentales asociados.

The intensive use of artificial neural networks is enabling an impressive development in many areas of science and technology, primarily due to their application in machine learning techniques and, more generally, artificial intelligence. These networks are mathematical abstractions with a strong biological inspiration, implemented in codes executed on common electronic devices (software). An alternative strategy, explored in recent years, is that the network can be encoded in the device itself (hardware), which would optimize power consumption and allow alternative forms of calculation and information processing. This approach inherently incorporates a distinctive characteristic of biological neural tissues: the formation of intricate networks of simple and imperfect components with a high degree of interconnection. An example of such systems are networks of metallic nanowires. These networks are typically self-assembled from silver nanowires, a few tens of microns in length and hundreds of nanometres in diameter, whose intersections, mediated by the oxide coating or the polymer used in their fabrication, would be the equivalent of synapses in the neuronal tissues. In this work we computationally explore the electrical transport properties of a nanowire network, comparing them with real experimental systems. The effect of environmental conditions, such as humidity and temperature, on their performance is also studied and the impact of connectivity on their electrical properties is evaluated. The results indicate that beyond the individual properties of the interfaces, the degree of connectivity and the topology of the network condition the electrical response obtained and allow outlining recommendations for the design of a protocol for the electrical characterization of the associated experimental systems.