به گزارش خبرنگار علم و فناوری ایسکانیوز؛ پژوهشگران دستگاهی نانوالکترونیکی با الهام از نحوه عملکرد مغز انسان توسعه داده‌اند که می‌تواند به‌ طور قابل‌ توجهی مصرف انرژی سیستم‌های هوش مصنوعی را کاهش دهد.

تیمی به سرپرستی دانشگاه کمبریج، نوعی اصلاح ‌شده از اکسید هافنیوم (hafnium oxide) را توسعه داده است که به‌عنوان یک «ممریستور» بسیار پایدار و کم‌مصرف عمل می‌کند؛ قطعه‌ای که برای تقلید از نحوه اتصال و ارتباط کارآمد نورون‌ها در مغز طراحی شده است. نتایج این پژوهش در نشریه Science Advances منتشر شده است.

ممریستور یکی از عناصر بنیادی مدارهای الکترونیکی است که رابطه بین بار الکتریکی و شار مغناطیسی را توصیف می‌کند و به ‌طور خاص، «حافظه» مقاومت الکتریکی را در خود نگه می‌دارد. در واقع، ممریستور قطعه‌ای است که مقاومت آن به تاریخچه جریان عبوری از آن وابسته است؛ یعنی اگر جریان از آن عبور کند، وضعیتش تغییر می‌کند و حتی پس از قطع برق، همان وضعیت را حفظ می‌کند.

امروزه سیستم‌های هوش مصنوعی به تراشه‌های کامپیوتری سنتی متکی هستند که به‌ طور مداوم داده‌ها را بین حافظه و واحدهای پردازشی جابه‌جا می‌کنند. این انتقال مداوم داده، مقدار زیادی برق مصرف می‌کند و با گسترش کاربردهای هوش مصنوعی در صنایع مختلف، تقاضا برای انرژی به ‌سرعت در حال افزایش است.

در مقابل، «رایانش نورومورفیک» (Neuromorphic Computing) که از مغز الهام گرفته، رویکرد متفاوتی ارائه می‌دهد. این روش با ترکیب ذخیره‌سازی و پردازش داده در یک مکان، می‌تواند مصرف انرژی را تا ۷۰ درصد کاهش دهد و در عین حال با توان بسیار پایین کار کند. همچنین سیستم‌های ساخته‌ شده با این روش، مشابه مغز، قابلیت سازگاری و یادگیری تدریجی دارند.

دکتر بابک بخیت، نویسنده اصلی این پژوهش از دپارتمان علم مواد و متالورژی کمبریج، می‌گوید: مصرف انرژی یکی از چالش‌های کلیدی در سخت‌افزارهای فعلی هوش مصنوعی است. برای حل این مشکل، به دستگاه‌هایی نیاز داریم که جریان بسیار کمی داشته باشند، از پایداری بالا و یکنواختی عالی در چرخه‌های سوئیچینگ بروردار باشند و بتوانند بین حالت‌های مختلف متعددی جابه‌جا شوند.

عبور از ممریستورهای متداول

بیشتر ممریستورهای امروزی با ایجاد رشته‌های رسانای بسیار کوچک (فیلامنت) در مواد اکسید فلزی کار می‌کنند. این فیلامنت‌ها رفتار غیرقابل‌پیش‌بینی دارند و اغلب به ولتاژهای بالا نیاز دارند که استفاده از آن‌ها را در مقیاس‌های بزرگ محاسباتی و ذخیره‌سازی محدود می‌کند.

پژوهشگران کمبریج رویکرد متفاوتی اتخاذ کردند. آن‌ها یک لایه نازک مبتنی بر هافنیوم طراحی کردند که بدون اتکا به فیلامنت‌ها تغییر حالت می‌دهد. با افزودن عناصر استرانسیم و تیتانیوم و استفاده از یک فرایند رشد دو مرحله‌ای، آن‌ها در مرز بین لایه‌ها، درون اکسید، گیت‌های الکترونیکی کوچکی به نام «پیوند p-n» ایجاد کردند.

این ساختار به دستگاه اجازه می‌دهد مقاومت خود را به‌صورت پیوسته و از طریق تغییر سد انرژی در مرز لایه‌ها تنظیم کند، نه از طریق تشکیل یا شکستن فیلامنت‌ها.

بخیت که با دپارتمان مهندسی کمبریج نیز همکاری دارد، می‌گوید این طراحی محدودیت مهم ممریستورهای فعلی را برطرف می‌کند:

دستگاه‌های فیلامنتی رفتار تصادفی دارند. اما چون دستگاه‌های ما در سطح مرزی سوئیچ می‌کنند، یکنواختی فوق‌العاده‌ای از یک چرخه به چرخه دیگر و از یک دستگاه به دستگاه دیگر نشان می‌دهند.

عملکرد و قابلیت‌های یادگیری

این دستگاه‌های جدید به جریان‌های سوئیچینگ حدود یک میلیون برابر کمتر از برخی ممریستورهای اکسیدی متداول دست یافتند. آن‌ها همچنین صدها سطح رسانایی پایدار را نشان دادند که برای رایانش آنالوگ «درون‌ حافظه‌ای» ضروری است.

در آزمایش‌های آزمایشگاهی، این دستگاه‌ها ده‌ها هزار چرخه سوئیچینگ را تحمل کردند و اطلاعات ذخیره‌شده را حدود یک روز حفظ کردند. همچنین رفتارهای کلیدی یادگیری زیستی را بازسازی کردند، از جمله «پلاستیسیته وابسته به زمان اسپایک» که در آن قدرت ارتباط بین نورون‌ها بر اساس زمان‌بندی سیگنال‌ها تغییر می‌کند.

بخیت می‌گوید: این‌ها ویژگی‌هایی هستند که اگر بخواهید سخت‌افزاری داشته باشید که یاد بگیرد و سازگار شود—نه اینکه فقط بیت‌ها را ذخیره کند—به آن‌ها نیاز دارید.

چالش‌های باقی‌مانده و آینده

با این حال، هنوز موانعی وجود دارد. فرایند تولید فعلی به دمایی حدود ۷۰۰ درجه سانتی‌گراد نیاز دارد که بالاتر از محدودیت‌های استاندارد تولید نیمه‌رساناها است.

بخیت می‌گوید: این در حال حاضر چالش اصلی در فرایند ساخت دستگاه ماست. اما اکنون در حال کار روی روش‌هایی هستیم تا این دما را کاهش دهیم و آن را با فرایندهای صنعتی استاندارد سازگار کنیم.

با وجود این محدودیت، او معتقد است این فناوری در نهایت می‌تواند در سیستم‌های مبتنی بر تراشه ادغام شود: اگر بتوانیم دما را کاهش دهیم و این دستگاه‌ها را روی یک تراشه پیاده‌سازی کنیم، گام بزرگی به جلو خواهد بود.

او افزود این پیشرفت حاصل چندین سال آزمون و خطا بوده است: تقریباً سه سال روی این موضوع کار کردم. تعداد زیادی شکست وجود داشت. اما در پایان نوامبر سال گذشته، اولین نتایج واقعاً خوب را دیدیم. هنوز در مراحل اولیه هستیم، اما اگر بتوانیم مشکل دما را حل کنیم، این فناوری می‌تواند تحول‌آفرین باشد، چون مصرف انرژی بسیار کمتر است و در عین حال عملکرد دستگاه بسیار امیدوارکننده است.

انتهای پیام/