В Кембриджского университете создан высокостабильный и энергоэффективный мемристор на оксиде гафния — компонент, имитирующий работу нейронов в мозге. Он уже испытан в составе искусственного синапса. Результаты работы опубликованы в журнале Science Advances.
Современные системы ИИ полагаются на традиционные компьютерные чипы, которые постоянно пересылают данные между блоками памяти и вычислительными узлами. Это непрерывное перемещение информации требует огромных затрат электроэнергии.
Нейроморфные вычисления представляют собой альтернативный подход к обработке информации, который позволяет сократить энергопотребление до 70% за счет того, что хранение и обработка данных происходят в одном месте и с крайне низким энергопотреблением. Такая система работает подобно нашему мозгу, к тому же она лучше приспособлена к обучению и адаптации.
«Энергопотребление — одна из главных проблем современного аппаратного обеспечения для ИИ. Чтобы решить ее, необходимы устройства со сверхнизкими токами, отличной стабильностью, достаточной воспроизводимостью характеристик от цикла к циклу и от прибора к прибору, а также способностью переключаться между множеством различных состояний», — говорит физик-материаловед Бабак Бахит из Департамента материаловедения и металлургии Кембриджа, ведущий автор исследования.
Большинство существующих мемристоров работают за счет формирования крошечных токопроводящих нитей внутри оксидного материала. Поведение этих нитей непредсказуемо, а для их образования нужна формовка — подача высокого напряжения перед включением.
Основа новинки — тонкая пленка оксида гафния, которая меняет состояния совершенно иным образом. Добавив стронций и титан и применив двухступенчатый метод выращивания пленки, исследователи смогли сформировать внутри оксида на стыке слоев p-n-переходы — крошечные электронные затворы. Это позволяет устройству плавно изменять свое сопротивление за счет смещения высоты энергетического барьера на границе раздела слоев, а не за счет образования или разрыва нитей.
По словам Бахита, такой механизм преодолевает одну из главных трудностей в развитии мемристорных технологий. «Нитевые устройства страдают от непредсказуемости поведения. Но поскольку наши приборы переключаются на границе раздела слоев, они демонстрируют выдающуюся воспроизводимость характеристик от цикла к циклу и от прибора к прибору», — объясняет он.
Гафний помог достичь токов переключения примерно в миллион раз ниже, чем у некоторых традиционных оксидных аналогов. Мемристоры также продемонстрировали сотни четких, стабильных уровней проводимости — самое важное требование для аналоговых систем с вычислениями непосредственно в памяти.
Лабораторные испытания показали, что устройства выдерживают десятки тысяч циклов переключения без потери надежности и сохраняют запрограммированные состояния около суток. Кроме того, они воспроизводят фундаментальные механизмы обучения, характерных для живых существ, такие как синаптическая пластичность, зависящая от времени импульсов (STDP), — механизм, с помощью которого нейроны усиливают или ослабляют свои связи в зависимости от времени поступления сигналов.
«Это именно те свойства, которые необходимы, если мы хотим создать аппаратуру, способную учиться и адаптироваться, а не просто хранить биты», — подчеркивает Бахит.
Некоторые трудности еще предстоит преодолеть. Текущий процесс изготовления требует температур около 700 °C, что превышает технологические нормы стандартного полупроводникового производства. «Сейчас это главная проблема в нашем технологическом процессе. Но мы работаем над способами снижения температуры, чтобы сделать его совместимым с общепринятыми промышленными стандартами», — поделился исследователь.
Несмотря на это, он считает, что технологию в конечном итоге получится интегрировать в чипы. «Если нам удастся снизить температуру и разместить эти устройства на чипе, это станет огромным шагом вперед», — заключил ученый.
Разработан способ обучения нейросетей на мемристорах
Нейроморфные компьютеры неожиданно преуспели в математике
Подписывайтесь и читайте «Науку» в MAX