Современные системы искусственного интеллекта основаны на обычных компьютерных чипах, которые постоянно передают данные между памятью и процессорами. Это непрерывное движение потребляет огромное количество электроэнергии, и глобальный спрос быстро растет по мере распространения ИИ в различных секторах.
Нейроморфные вычисления, вдохновленные работой мозга, представляют собой альтернативу, которая может снизить энергопотребление до 70% за счет хранения и обработки информации в одном и том же месте с чрезвычайно низким энергопотреблением. Кроме того, такая система будет гораздо более адаптивной, подобно тому, как человеческий мозг учится и адаптируется.
«Энергопотребление — одна из главных проблем современного оборудования для ИИ», — сказал ведущий автор исследования, доктор Бабак Бахит из Департамента материаловедения и металлургии Кембриджского университета. «Для решения этой проблемы необходимы устройства с чрезвычайно низкими токами, высокой стабильностью, исключительной однородностью и способностью переключаться между несколькими состояниями».
Большинство современных мемристоров основаны на образовании крошечных проводящих нитей внутри материалов на основе оксидов металлов. Однако эти нити непредсказуемы и требуют высоких напряжений, что ограничивает их использование в крупномасштабных вычислительных и системах хранения данных.
Команда из Кембриджа создала новый тип тонкой пленки на основе гафния, которая переключает состояния по-другому. Добавив стронций и титан и используя двухстадийный метод роста, они смогли сформировать крошечные «электронные затворы», или p-n-переходы, внутри оксида. Это позволяет устройству плавно изменять свое сопротивление путем регулирования энергетического барьера, а не полагаясь на нити.
По словам Бахита, этот механизм решает одну из самых больших проблем данной технологии: случайное поведение. Его устройства демонстрируют исключительную однородность между циклами и устройствами.
Исследователи достигли токов переключения примерно в миллион раз ниже, чем в обычных устройствах, а также сотен стабильных уровней проводимости, что крайне важно для аналоговых вычислений в памяти.
Тесты показали, что устройства могут выдерживать десятки тысяч циклов и сохранять свое состояние около суток. Они также воспроизвели биологические правила обучения, такие как пластичность, зависящая от времени срабатывания триггера.
Тем не менее, остаются проблемы, такие как высокие температуры производства (около 700 °C), превышающие те, которые обычно используются в промышленности. Команда работает над снижением этих температур для облегчения интеграции в чипы.
Несмотря на это, исследователи считают, что эта технология может произвести революцию в аппаратном обеспечении ИИ благодаря низкому энергопотреблению и высокой производительности.
