3 godzin temu
Naukowcy z Uniwersytetu Cambridge opracowali nowe urządzenie nanoelektroniczne, które może zmniejszyć zużycie energii przez sprzęt AI choćby o 70 procent — wynika z badania opublikowanego 20 marca w czasopiśmie Science Advances.
Urządzenie to rodzaj memrystora — komponentu naśladującego sposób, w jaki łączą się neurony w ludzkim mózgu — wykonanego ze specjalnie zaprojektowanej formy tlenku hafnu. W przeciwieństwie od konwencjonalnych chipów, które tracą energię na transport danych między oddzielnymi jednostkami pamięci i przetwarzania, memrystor przechowuje i przetwarza informacje w tym samym miejscu, co drastycznie redukuje zużycie energii.
Nowe podejście do starego problemu. Większość istniejących memrystorów opiera się na drobnych przewodzących filamentach wewnątrz tlenku metalu, ale te zachowują się nieprzewidywalnie i wymagają wysokich napięć. Zespół kierowany przez dr. Babaka Bakhita z Wydziału Nauki o Materiałach i Metalurgii obrał inną drogę. Dodając stront i tytan do tlenku hafnu i wyhodowując warstwę w dwóch etapach, naukowcy stworzyli bramki elektroniczne, które zmieniają opór płynnie, bez niestabilnego tworzenia się filamentów.
Efekt? Prądy przełączania około milion razy niższe niż w konwencjonalnych urządzeniach opartych na tlenkach oraz setki różnych, stabilnych poziomów przewodnictwa — najważniejszy wymóg dla analogowych obliczeń „w pamięci”. Testy laboratoryjne wykazały, iż urządzenia wytrzymują dziesiątki tysięcy cykli przełączania i potrafią odtwarzać biologiczne reguły uczenia się, takie jak plastyczność zależna od momentu wystąpienia impulsu.
Prace z Cambridge wpisują się w falę przełomów w dziedzinie obliczeń inspirowanych mózgiem. Na początku marca zespół z University of California San Diego opublikował w Nature Nanotechnology odrębną platformę neuromorficzną integrującą pamięć i obliczenia na jednym chipie — z wykorzystaniem niklanu neodymu domieszkowanego wodorem. System ten poprawił szybkość i dokładność w zadaniach takich jak rozpoznawanie mowy czy wykrywanie napadów padaczkowych, działając przy zaledwie 0,2 nanodżula na operację. Z kolei naukowcy z Tufts University zaprezentowali podejście oparte na neurosymbolicznej AI, które może zużywać 100 razy mniej energii niż obecne systemy przy jednoczesnej poprawie dokładności.
Memrystor z Cambridge musi jeszcze pokonać istotną przeszkodę — jego wytwarzanie wymaga temperatur rzędu 700°C, wyższych niż dopuszczają standardowe procesy produkcji półprzewodników. „Gdybyśmy potrafili obniżyć temperaturę i umieścić te urządzenia na chipie, byłby to poważny krok naprzód” — przyznaje Bakhit. Wniosek patentowy został już złożony przez Cambridge Enterprise, oddział uniwersytetu zajmujący się komercjalizacją innowacji.
