Cientistas von Universidade von Cambridge haben ein neues nanoelektronisches Gerät entwickelt. Die Technologie imitiert die Funktionsweise von Neuronen und verspricht, den Energieverbrauch künstlicher Intelligenzsysteme um bis zu 70 % zu senken. Der Fortschritt verwendet eine modifizierte Version von Hafniumoxid.
Die Komponente fungiert als Memristor mit hoher Stabilität und geringem Verbrauch. Ele kombiniert Datenspeicherung und -verarbeitung am selben Ort, im Gegensatz zu herkömmlichen Chips, die ständig Informationen zwischen Speicher und Verarbeitungseinheiten übertragen. Die Übertragung von Essa verbraucht viel Strom. Die Ergebnisse veröffentlichte das Team in der Fachzeitschrift Science Advances.
Dispositivo ahmt neuronale Verbindungen im menschlichen Gehirn nach
Das neue Material modifiziert Hafniumoxid durch die Zugabe von Strontium und Titan. Der zweistufige Herstellungsprozess erzeugt pn-Übergänge an Schichtschnittstellen. Die elektronischen Kanäle Esses steuern den Widerstand vorhersehbarer.
Diferente herkömmlicher Memristoren, die auf instabilen leitfähigen Filamenten basieren, wechseln dabei die Zustände durch die Energiebarriere an den Grenzflächen. Das Ergebnis ist ein sanftes, gleichmäßiges Schalten. Testes zeigte Schaltströme, die etwa eine Million Mal niedriger waren als bei ähnlichen Geräten. Die Komponente hält Hunderte von stabilen Leitfähigkeitsniveaus aufrecht.
Isso ermöglicht analoges In-Memory-Computing. Die Forscher betonen, dass das Gerät die feuerzeitabhängige Plastizität nachbildet, einen Schlüsselmechanismus für das Lernen in biologischen Neuronen.
- Opera mit extrem niedrigen Strömen
- Apresenta hohe Einheitlichkeit zwischen Zyklen und Geräten
- Mantém programmierte Zustände für etwa einen Tag
- Demonstra gehirnähnliches Lernverhalten
Aktuelle AI Consumo-Laufwerke suchen nach Alternativen
Moderne künstliche Intelligenz Sistemas verbraucht aufgrund der Architektur von Neumann viel Energie. Dados zirkulieren ständig zwischen Speicher und Prozessor. Mit der Verbreitung von KI in verschiedenen Branchen wächst die Nachfrage rasant.
Als Lösung erweist sich das neuromorphe Computing. Ela kombiniert Gedächtnis und Verarbeitung, wie sie im Gehirn stattfinden. Especialistas schätzen eine Reduzierung des Energieaufwands um bis zu 70 %. Das Cambridge-Gerät bewegt sich in diese Richtung mit überragender Stabilität.
Equipe unter der Leitung von Babak Bakhit meistert technische Herausforderungen
Dr. Babak Bakhit, von Departamento von Ciência von Materiais und Metalurgia von Universidade von Cambridge leitet die Arbeit. Ele ist auch mit Engenharia von Departamento verbunden. Der Forscher experimentierte jahrelang, bis er den Herstellungsprozess anpasste.
Entscheidend war die kontrollierte Zugabe von Sauerstoff nach der ersten Schicht. Ende 2025 zeigten sich positive Ergebnisse. Das Gerät zeigte Stabilität über Zehntausende Schaltzyklen.
Ainda Daher erfordert der aktuelle Prozess Temperaturen um 700 °C. Isso erschwert die Integration in die Standard-Halbleiterfertigung. Das Team versucht nun, diese Temperatur zu senken.
Potencial-Anwendung auf neuromorpher Hardware
Wenn sie die thermische Hürde überwinden, glauben die Forscher, dass das Gerät in großem Maßstab in Chips integriert werden könnte. Der Fortschritt würde den Weg für effizientere und anpassungsfähigere KI-Systeme ebnen.
Die Komponente bietet außergewöhnliche Einheitlichkeit und die Möglichkeit, zwischen vielen Zuständen zu wechseln. Essas-Funktionen sind für Hardware unerlässlich, die auf natürliche Weise lernt und nicht nur Bits speichert.
Próximos-Suchschritte in Cambridge
Der Beitrag in Science Advances beschreibt detailliert den Mechanismus erweiterter asymmetrischer pn-Übergänge. Der Titel des Artikels lautet „HfO2-basierte memristive Synapsen mit asymmetrisch erweiterten pn-Heteroschnittstellen für hochenergieeffiziente neuromorphe Hardware“.
Das Team testet weiterhin, um die Industriekompatibilität zu verbessern. Der Fokus liegt auf der Reduzierung der Temperatur ohne Leistungseinbußen. Sucesso kann in dieser Phase die Einführung in praktische KI-Anwendungen beschleunigen.