Этот новый чип, подобный мозгу, может сократить потребление энергии ИИ на 70%
Исследователи из Кембриджа создали наноэлектронное устройство на основе модифицированного оксида гафния, которое имитирует работу нейронов и может значительно снизить энергопотребление систем искусственного интеллекта
Short Summary
Исследователи из Кембриджского университета разработали новый тип наноэлектронного устройства, способного сократить потребление энергии системами искусственного интеллекта до 70%. Устройство использует модифицированную форму оксида гафния, которая работает как высокостабильный и низкоэнергетический мемристор, объединяя обработку и хранение данных, подобно человеческому мозгу.
Современные системы искусственного интеллекта потребляют много энергии из-за постоянной передачи данных между памятью и процессорами. Новый подход объединяет эти функции, что снижает энергопотребление и позволяет системам обучаться более естественно. В отличие от существующих мемристоров, работающих на основе непредсказуемых нитевидных структур, новое устройство использует p-n переходы, что обеспечивает более стабильное и надёжное переключение.
Устройство демонстрирует токи переключения, в миллион раз меньшие, чем у обычных оксидных мемристоров, и способно сохранять сотни стабильных уровней проводимости. Главным вызовом остаётся высокая температура производства (около 700°C), что несовместимо со стандартными полупроводниковыми процессами. Если эту проблему удастся решить, технология может быть интегрирована в практические чипы и стать прорывом в области энергоэффективных систем искусственного интеллекта.
Новый мемристор на основе оксида гафния
Устройство использует модифицированный оксид гафния с добавлением стронция и титана для создания p-n переходов, что обеспечивает стабильное переключение
Снижение энергопотребления на 70%
Объединение памяти и процессора, как в мозге, позволяет значительно сократить энергозатраты по сравнению с традиционными чипами
Высокая стабильность и однородность
В отличие от нитевидных мемристоров, устройство демонстрирует предсказуемое поведение и высокую однородность от цикла к циклу
Эмуляция биологического обучения
Устройство способно к спайк-зависимой пластичности — ключевому механизму обучения нейронов, что позволяет ему адаптироваться
Text generated using AI
