Чип, работающий как мозг, может снизить энергопотребление ИИ на 70%

Учёные создали новый тип наноэлектронного устройства, которое может значительно сократить энергопотребление систем искусственного интеллекта. Эта инновация вдохновлена тем, как обрабатывает информацию человеческий мозг, и предлагает более эффективную альтернативу современному энергоёмкому оборудованию для ИИ.

Исследовательская группа под руководством Кембриджского университета разработала модифицированную версию оксида гафния, которая функционирует как высокостабильный «мемристор» с низким энергопотреблением — компонент, предназначенный для воспроизведения того, как нейроны соединяются и взаимодействуют в мозге. Их результаты были опубликованы в журнале Science Advances.

Современный ИИ опирается на традиционные компьютерные чипы, которые постоянно перемещают данные между памятью и процессорами. Такая постоянная передача данных требует большого количества электроэнергии, и спрос на неё продолжает расти по мере того, как ИИ используют всё чаще.

Нейроморфные вычисления предлагают иной подход. Вместо разделения памяти и обработки они объединяют обе функции в одном месте, подобно тому, как работает мозг. Этот метод может сократить энергопотребление на целых 70%, а также позволить системам учиться и адаптироваться более естественным образом.

Большинство существующих мемристоров работают за счёт образования крошечных проводящих нитей внутри материалов на основе оксидов металлов. Эти нити, как правило, ведут себя непредсказуемо и часто требуют высокого напряжения, что ограничивает их практическую применимость в крупномасштабных вычислениях.

Кембриджские исследователи пошли по другому пути. Они разработали тонкоплёночную структуру на основе гафния, которая переключает состояния с помощью более контролируемого механизма. Добавив стронций и титан и используя двухэтапный процесс роста, они создали небольшие электронные затворы, известные как p‑n-переходы, на границах раздела между слоями.

Вместо того чтобы полагаться на образование и разрыв нитей, устройство изменяет своё сопротивление путём регулирования энергетического барьера на этих границах раздела. Это позволяет обеспечить более плавное и надёжное переключение.

Тесты показали, что новые устройства работают при токах переключения, примерно в миллион раз меньших, чем у некоторых традиционных мемристоров на основе оксидов. Они также могут достигать сотен стабильных уровней проводимости, что необходимо для аналоговых вычислений «в памяти».

В лабораторных экспериментах устройства оставались стабильными на протяжении десятков тысяч циклов переключения и сохраняли свои запрограммированные состояния в течение примерно одного дня. Они также продемонстрировали ключевые биологические особенности обучения, в том числе пластичность, зависящую от времени импульсов, — процесс, позволяющий нейронам усиливать или ослаблять свои связи в зависимости от времени.