Η Cientistas της Universidade της Cambridge έχει αναπτύξει μια νέα νανοηλεκτρονική συσκευή. Η τεχνολογία μιμείται τη λειτουργία των νευρώνων και υπόσχεται να μειώσει την κατανάλωση ενέργειας των συστημάτων τεχνητής νοημοσύνης έως και 70%. Η εκ των προτέρων χρησιμοποιεί μια τροποποιημένη έκδοση του οξειδίου του αφνίου.
Το εξάρτημα λειτουργεί ως memristor υψηλής σταθερότητας και χαμηλής κατανάλωσης. Το Ele συνδυάζει αποθήκευση και επεξεργασία δεδομένων στην ίδια τοποθεσία, σε αντίθεση με τα παραδοσιακά τσιπ που μεταφέρουν συνεχώς πληροφορίες μεταξύ της μνήμης και των μονάδων επεξεργασίας. Η μεταφορά Essa καταναλώνει μεγάλη ποσότητα ηλεκτρικής ενέργειας. Η ομάδα δημοσίευσε τα αποτελέσματα στο περιοδικό Science Advances.
Το Dispositivo μιμείται τις νευρικές συνδέσεις στον ανθρώπινο εγκέφαλο
Το νέο υλικό τροποποιεί το οξείδιο του αφνίου με την προσθήκη στροντίου και τιτανίου. Η διαδικασία κατασκευής δύο βημάτων δημιουργεί συνδέσεις p-n σε διεπαφές επιπέδων. Τα ηλεκτρονικά κανάλια Esses ελέγχουν την αντίσταση πιο προβλέψιμα.
Το Diferente των συμβατικών memristors, που εξαρτώνται από ασταθή αγώγιμα νήματα, αυτό εναλλάσσει καταστάσεις μέσω του ενεργειακού φραγμού στις διεπαφές. Το αποτέλεσμα είναι ομαλή, ομοιόμορφη εναλλαγή. Το Testes έδειξε ρεύματα μεταγωγής περίπου ένα εκατομμύριο φορές χαμηλότερα από ό,τι σε παρόμοιες συσκευές. Το εξάρτημα διατηρεί εκατοντάδες σταθερά επίπεδα αγωγιμότητας.
Το Isso επιτρέπει τον αναλογικό υπολογισμό στη μνήμη. Οι ερευνητές υπογραμμίζουν ότι η συσκευή αναπαράγει πλαστικότητα που εξαρτάται από το χρόνο, έναν βασικό μηχανισμό για τη μάθηση σε βιολογικούς νευρώνες.
- Opera με εξαιρετικά χαμηλά ρεύματα
- Apresenta υψηλή ομοιομορφία μεταξύ κύκλων και συσκευών
- Προγραμματισμένες καταστάσεις Mantém για περίπου μία ημέρα
- Demonstra μαθησιακές συμπεριφορές που μοιάζουν με τον εγκέφαλο
Οι τρέχουσες μονάδες AI Consumo αναζητούν εναλλακτικές λύσεις
Η σύγχρονη τεχνητή νοημοσύνη Sistemas χρησιμοποιεί πολλή ενέργεια λόγω της αρχιτεκτονικής von Neumann. Το Dados κυκλοφορεί συνεχώς μεταξύ μνήμης και επεξεργαστή. Η ζήτηση αυξάνεται ραγδαία με την επέκταση της τεχνητής νοημοσύνης σε διάφορους τομείς.
Ο νευρομορφικός υπολογισμός εμφανίζεται ως λύση. Το Ela συνδυάζει τη μνήμη και την επεξεργασία, όπως συμβαίνει στον εγκέφαλο. Η Especialistas εκτιμά μείωση έως και 70% στην ενεργειακή δαπάνη. Η συσκευή Cambridge κινείται προς αυτή την κατεύθυνση με ανώτερη σταθερότητα.
Το Equipe με επικεφαλής τον Babak Bakhit ξεπερνά τις τεχνικές προκλήσεις
Dr. Ο Babak Bakhit, από τον Departamento από τον Ciência από τον Materiais και τον Metalurgia από τον Universidade από τον Cambridge, οδηγεί τη δουλειά. Το Ele έχει επίσης σχέση με το Engenharia του Departamento. Ο ερευνητής πέρασε χρόνια πειραματιζόμενος μέχρι να προσαρμόσει τη διαδικασία παραγωγής.
Η ελεγχόμενη προσθήκη οξυγόνου μετά την πρώτη στρώση ήταν καθοριστική. Θετικά αποτελέσματα εμφανίστηκαν στα τέλη του 2025. Η συσκευή έδειξε σταθερότητα σε δεκάδες χιλιάδες κύκλους μεταγωγής.
Ainda επομένως, η τρέχουσα διαδικασία απαιτεί θερμοκρασίες γύρω στους 700°C. Το Isso καθιστά δύσκολη την ενοποίηση με την τυπική κατασκευή ημιαγωγών. Η ομάδα προσπαθεί τώρα να μειώσει αυτή τη θερμοκρασία.
Εφαρμογή Potencial σε νευρομορφικό υλικό
Εάν ξεπεράσουν το θερμικό εμπόδιο, οι ερευνητές πιστεύουν ότι η συσκευή θα μπορούσε να ενσωματωθεί σε τσιπ σε κλίμακα. Η πρόοδος θα ανοίξει το δρόμο για πιο αποτελεσματικά και προσαρμόσιμα συστήματα τεχνητής νοημοσύνης.
Το εξάρτημα προσφέρει εξαιρετική ομοιομορφία και δυνατότητα εναλλαγής μεταξύ πολλών καταστάσεων. Οι λειτουργίες Essas είναι απαραίτητες για το υλικό που μαθαίνει φυσικά και όχι απλώς για την αποθήκευση bits.
Βήματα αναζήτησης Próximos στο Cambridge
Η ανάρτηση στο Science Advances περιγράφει λεπτομερώς τον μηχανισμό των εκτεταμένων ασύμμετρων κόμβων pn. Ο τίτλος του άρθρου είναι «Μνημονικές συνάψεις που βασίζονται σε HfO2 με ασύμμετρα εκτεταμένες ετεροδιεπαφές p-n για εξαιρετικά ενεργειακά αποδοτικό νευρομορφικό υλικό».
Η ομάδα συνεχίζει τις δοκιμές για τη βελτίωση της βιομηχανικής συμβατότητας. Η εστίαση είναι στη μείωση της θερμοκρασίας χωρίς απώλεια απόδοσης. Το Sucesso σε αυτό το στάδιο μπορεί να επιταχύνει την υιοθέτηση σε πρακτικές εφαρμογές τεχνητής νοημοσύνης.