Multiscale network characterization for in-materia computing
| Promotie: | D. Cipollini, MSc |
| Wanneer: | 25 maart 2025 |
| Aanvang: | 09:00 |
| Promotors: | prof. dr. L.R.B. (Lambert) Schomaker, B. (Beatriz) Noheda, Prof |
| Waar: | Academiegebouw RUG |
| Faculteit: | Science and Engineering |
Netwerkmodel van materiaal dat rekent
Om de toenemende vraag naar energie voor digitale informatieverwerking op te lossen is het nodig om fundamenteel nieuwe computersystemen te ontwikkelen. Het onderzoek naar neuromorfe computers combineert materiaalwetenschappen met wiskundige modellering en methoden uit de AI. Binnen dit onderzoeksveld worden nieuwe materialen voorgesteld, voor onconventionele hardware en nieuwe algoritmen. Een vruchtbaar paradigma is het gebruik van zelf-organiserende, willekeurige assemblages van grote aantallen niet-lineaire geleidende elementen om ‘in materia’ te kunnen rekenen. Davide Cipollini gebruikt een wiskundig en natuurkundig perspectief van de modellering van netwerken om structurele eigenschappen te beschrijven zoals modulariteit en hiërarchische organisatie, gebruikmakend van concepten uit de statistische fysica, informatietheorie en de thermodynamica.
Binnen dit netwerkgebaseerde raamwerk behandelt Cipollini een model van ongeordende memristor-weerstandnetwerken dat geschikt is om zelf-geassembleerde materialen te beschrijven waarbij een fractie van de verbindingen een zuiver Ohmse weerstand betreft. De complexe structuur van zogenaamde ‘domain wall’ netwerken in dunne films van bismut ferriet kan worden beschreven met een nieuw stochastisch model, gebaseerd op mozaïekpatronen en geoptimaliseerd met een meerschalig algoritme. Structuur en functie worden gezamenlijk gekarakteriseerd door meerschalige analyses van zelforganiserende structuren die gegenereerd zijn middels een algoritme dat een dataset van hoogdimensionale patronen in bomen in kaart brengt. Cipollini laat zien dat de complexiteit van de dataset waaraan het systeem zich heeft aangepast, rechtstreeks wordt gecodeerd in uiterst efficiënte structurele netwerk-kenmerken.
Davide Cipollini voerde zijn onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, afdeling Artificial Intelligence and Cognitive Engineering, met financiering van CogniGron en EU - HORIZON2020.