Наноэлектронное устройство, вдохновленное человеческим мозгом, может снизить энергопотребление оборудования искусственного интеллекта на 70%

Ученые из Кембриджского университета разработали новое наноэлектронное устройство, воспроизводящее принципы работы человеческого мозга. Это мемристор на основе модифицированного оксида гафния (HfO₂) с добавлением стронция и титана, что способно существенно снизить энергопотребление аппаратуры искусственного интеллекта.

Классические чипы искусственного интеллекта потребляют огромное количество энергии из-за постоянного перемещения данных между памятью и процессором, а устройство, предложенное британскими учеными, реализует концепцию вычислений в памяти — хранение и обработка информации осуществляются в одном месте, подобно клеткам мозга.

Как известно, классический мемристор работает на основе обратимого образования проводящих нитей в рабочем слое. В зависимости от плотности нитей в ячейке возникают множественные контролируемые уровни сопротивления, что часто позволяет связать мемристоры с ReRAM (резистивный) память. Ученые из Кембриджа сочли эту структуру ненадежной, поэтому разработали нечто вроде транзистора в ячейке мемристора вместо непредсказуемых нитей. Характеристики транзисторов гораздо стабильнее, и в этом главный залог успеха разработки.

Мемристоры, разработанные британскими учеными, функционируют благодаря асимметричным pn-гетеропереходам, подобно диодам или транзисторам. Это обеспечивает впечатляющую стабильность, а также возможность создавать сотни устойчивых уровней проводимости (значения мощности, градус), а также отличную повторяемость характеристик как в рабочих циклах, так и в устройствах серийного производства.

Способность «транзисторного» мемристора создавать энергетические барьеры с сотнями управляемых уровней позволяет говорить о чем-то похожем на синапсы в мозге. Они абсолютно аналогичны и работают с тысячами уровней концентрации медиаторов на границе перехода от одного нейрона к другому. Нейрон запускает электрический импульс только тогда, когда концентрация медиаторов соседнего нейрона в цепи достигает необходимого уровня. С помощью «неклассических» мемристоров такая схема может привести к созданию мозгоподобных и энергосберегающих нейронных сетей.

По сравнению с существующими мемристорами новое решение устраняет основные проблемы: хаотичное поведение, необходимость высоких напряжений и низкую повторяемость при массовом производстве.

Благодаря «транзисторному» механизму переключения достигается чрезвычайно низкое энергопотребление при адаптивном обучении. Исследователи подчеркивают, что именно такие характеристики необходимы для создания оборудования, способного не просто хранить биты, а фактически обучаться и адаптироваться, приближаясь к принципам работы мозга.

Потенциальное влияние технологии огромно: по оценкам, внедрение таких устройств позволит снизить энергопотребление ИИ-платформ до 70%. Это имеет решающее значение в условиях экспоненциального роста энергопотребления современных больших языковых моделей.