MWC 2018
2018
Computex
IFA 2018
Учёные из Кембриджского университета (University of Cambridge) разработали новое наноэлектронное устройство, наследующее принципы работы человеческого мозга. Это мемристор на основе модифицированного оксида гафния (HfO₂) с добавлением стронция и титана, который способен значительно снизить энергопотребление аппаратного обеспечения искусственного интеллекта.
Источник изображения: Science Advances 2026
Классические ИИ-чипы тратят огромные объёмы энергии из-за постоянного перемещения данных между памятью и процессором, тогда как предложенное устройство реализует концепцию вычислений в памяти — хранение и обработка информации происходят в одном месте, подобно клеткам мозга.
Как известно, классический, или канонический, мемристор работает на основе обратимого образования проводящих нитей в рабочем слое. В зависимости от плотности нитей возникает множество управляемых уровней сопротивления в ячейке, что часто позволяет ассоциировать мемристоры с памятью ReRAM (резистивной). Учёные из Кембриджа сочли такую структуру ненадёжной. Поэтому они разработали нечто вроде транзистора в ячейке мемристора вместо непредсказуемых нитей. Характеристики транзисторов намного стабильнее, и в этом главный ключ к успеху разработки.
Разработанные британскими учёными мемристоры работают за счёт асимметричных p-n-гетеропереходов, как диоды или транзисторы. Это обеспечивает впечатляющую стабильность, а также возможность создавать сотни устойчивых уровней проводимости (ступеней значений, разрядности), а также отличную повторяемость характеристик как в рабочих циклах, так и в устройствах при массовом производстве.
Способность «транзисторного» мемристора создавать энергетические барьеры с сотнями управляемых уровней позволяет говорить о неком подобии разработки синапсам головного мозга. Синапсы абсолютно аналоговые. Они работают с тысячами уровней концентрации медиаторов на границе перехода от одного нейрона к другому. Нейрон запускает электрический импульс только тогда, когда концентрация медиаторов от соседнего в цепочке нейрона достигает необходимого уровня. С «неклассическими» мемристорами такая схема может привести к созданию ИИ-нейросетей, напоминающих работу мозга и экономящих на энергопотреблении.
Ещё раз подчеркнём, что по сравнению с существующими мемристорами новое решение устраняет главные проблемы: случайное поведение, необходимость высоких напряжений и низкую повторяемость при тиражировании. Благодаря «транзисторному» механизму переключения достигается крайне низкое энергопотребление при адаптивном обучении. Исследователи подчёркивают, что именно такие характеристики необходимы для создания аппаратного обеспечения, способного не просто хранить биты, а реально обучаться и адаптироваться, приближаясь к принципам работы мозга.
Потенциальное влияние технологии огромно: по оценкам, внедрение подобных устройств позволит сократить энергопотребление ИИ-платформ до 70 %. Это критически важно в условиях экспоненциального роста энергозатрат современных больших моделей ИИ.
Источник:
