目前的人工智能系统依赖于传统的计算机芯片，这些芯片需要不断地在内存和处理单元之间传输数据。这种持续不断的数据传输会消耗大量的电力，而随着人工智能在各个领域的扩展，全球电力需求也在迅速增长。
类脑计算或神经形态计算是一种替代方案，它可以通过在同一位置存储和处理信息，从而以极低的功耗将能耗降低高达70%。此外，这种系统将具有更强的适应性，类似于人脑的学习和适应能力。
“功耗是当前人工智能硬件面临的主要挑战之一，”论文第一作者、剑桥大学材料科学与冶金系的巴博克·巴希特博士表示，“为了克服这一难题，我们需要开发出电流极低、稳定性高、均匀性优异且能够在多种状态间切换的器件。”
目前大多数忆阻器依赖于金属氧化物材料内部微小导电细丝的形成。然而，这些细丝的形成难以预测，且需要高电压，限制了它们在大规模计算和存储系统中的应用。
剑桥大学的研究团队开发了一种新型的铪基薄膜，其状态切换方式有所不同。通过添加锶和钛，并采用两阶段生长法，他们在氧化物内部形成了微小的“电子门”，即pn结。这使得器件能够通过调节能垒来平滑地改变其电阻，而无需依赖细丝。
巴希特表示，这种机制解决了该技术最大的难题之一：随机行为。他的器件在不同循环和器件之间展现出极高的一致性。
研究人员实现了比传统器件低约一百万倍的开关电流，并实现了数百个稳定的电导水平，这对于内存中的模拟计算至关重要。
测试表明，这些器件可以承受数万次循环，并能保持其状态约一天。它们还复制了生物学习规则，例如触发时间依赖性可塑性。
即便如此，挑战依然存在，例如较高的制造温度（约700°C），高于行业通常使用的温度。该团队正在努力降低这些温度，以方便集成到芯片中。
尽管如此，研究人员相信，凭借其低功耗和高性能，这项技术有望彻底改变人工智能硬件。
