Исследователи из Кембриджского университета разработали высокоэффективный мемристор с использованием специального оксида гафния. Это низкоэнергетический компонент, имитирующий способ соединения клеток человеческого мозга для экономии энергии. В теории подобное устройство способно снизить энергопотребление систем искусственного интеллекта на 70%.
Стандартные компьютерные чипы не могут похвастаться высокой эффективностью в плане потребления энергии. Большая часть энергии таких чипов тратится на передачу данных между модулем памяти и процессором, а обмен информации приводит к выделению тепла и нерациональному расходу энергии. Человеческий же мозг работает иначе. Он обрабатывает и хранит информацию в одном и том же месте — синапсе (место контакта между двумя нейронами или между нейроном и получающей сигнал эффекторной клеткой).
Разработанная кембриджской командой учёных методика использует специальную форму оксида гафния именно для достижения этой цели. Исследователи разработали нейроморфный (имитирующий работу мозга) чип, использующий стабильный мемристор с низким энергопотреблением, который выполняет обе задачи на одном чипе.
Правда для достижения своей цели, учёным пришлось решить вопрос непредсказуемости и нестабильности так называемых «проводящих нитей» мемристоров. Для этого была разработана более стабильная альтернатива, использующая тонкую пленку на основе гафния. Она заменяет нестабильные высоковольтные нити накала, которые физически разрастаются и ломаются внутри старых устройств, на плавный и надежный интерфейс переключения.
В новом устройстве используются стронций и титан для создания внутренних p-n-переходов, которые действуют как плавные электронные затворы. Вместо того чтобы полагаться на хаотические структурные изменения, разработка регулирует электричество, просто изменяя энергетический барьер на границе раздела материалов. Такое решение обеспечивает точность и надежность, необходимые для крупномасштабных систем искусственного интеллекта.
«Устройства с филаментным принципом работы страдают от непредсказуемого поведения, — рассказал доктор Бабак Бахит, ведущий автор исследования из Кембриджского факультета материаловедения и металлургии. — Но поскольку наши устройства переключаются на границе раздела, они демонстрируют исключительную однородность от цикла к циклу и от устройства к устройству».
Работа учёных позволила снизить энергопотребление за счёт использования коммутационных токов, в миллиона раз меньших, чем те, которые задействованы в старых устройствах. Кроме того, эта разработка поддерживает сотни стабильных, различных уровней электрического потока — именно та «многозадачность», которая необходима для передовых аналоговых вычислений в памяти.
Лабораторные испытания показали, что разработанное учёными устройство выдерживает десятки тысяч циклов и сохраняет данные в течение суток. Но, что самое важное, оно имитирует биологическое обучение, то есть процесс, который используют нейроны человеческого мозга для усиления или ослабления связей в зависимости от времени поступления сигналов.
«Именно такие свойства необходимы, если вы хотите, чтобы оборудование могло обучаться и адаптироваться, а не просто хранить биты», — сказал Бахит.
Несмотря на все достижения, до создания коммерческого продукта ещё очень далеко. Сейчас учёные решают вопрос снижения температуры производства полупроводниковых компонентов — сейчас она составляет 700°С, и это очень высокий показатель.
Если им удастся успешно снизить эту температуру, эта технология может стать революционным решением для сверхэкономичного оборудования в области искусственного интеллекта. Разработка способна сократить потребление энергии на 70%, обеспечивая при этом стабильность и адаптивность, необходимые для крупномасштабных вычислений, подобных тем, что выполняет мозг.
