Исследователи отмечают, что человеческий мозг, благодаря своим 90 миллиардам нейронов и 100 триллионам связей между ними, работает намного эффективнее, чем традиционные электронные процессоры. Синапты, которые регулируют свою силу с течением времени, играют ключевую роль в обучении и памяти — процесс, известный как синаптическая пластичность. Именно этот механизм лежит в основе нейропластичности мозга, и учёные стремятся воспроизвести его в искусственных нейронных сетях.
Искусственные нейронные сети сыграли значительную роль в прогрессе искусственного интеллекта, вдохновленного тем, как мозг обрабатывает информацию. Однако, несмотря на достижения в этой области, программные ИНС, такие как те, на которых работают большие языковые модели (например, ChatGPT), требуют огромных вычислительных ресурсов и электроэнергии. Это делает их малоприменимыми для множества реальных задач. Нейроморфные вычисления, в свою очередь, направлены на имитацию вычислительной мощности и энергоэффективности мозга, требуя перепроектирования архитектуры системы для совмещения памяти и вычислений в одном месте (так называемое вычисление в памяти, или IMC), а также разработки электронных устройств, которые могут воспроизводить работу нейронов и синапсов. Однако современные нейроморфные системы столкнулись с трудностями из-за необходимости в сложных многотранзисторных схемах или новых материалах, которые ещё не готовы для массового производства.
«Для того чтобы осуществить настоящие нейроморфные вычисления, где чипы ведут себя как биологические нейроны и синапсы, нам необходимы устройства, которые будут масштабируемыми и энергоэффективными», — заявил Ланца.
Исследователи из NUS продемонстрировали, что один стандартный кремниевый транзистор, при его определённой конфигурации, может имитировать как нейронное возбуждение, так и изменения синаптической связи — два ключевых механизма работы биологических нейронов и синапсов. Это было достигнуто путём регулировки сопротивления объемного терминала транзистора, что позволило контролировать два физических явления: ударную ионизацию и захват заряда.
Команда также разработала двухтранзисторную ячейку, которая может работать как нейрон или синапс. Этот элемент был назван «нейро-синаптической памятью с произвольным доступом» (NS-RAM).
«Другие подходы требуют сложных транзисторных массивов или новых материалов, ещё не готовых к массовому производству, но наш метод использует коммерчески доступную технологию CMOS (комплементарный металл-оксид-полупроводник), которая уже используется в современных процессорах и микрочипах памяти. Это делает нашу технологию масштабируемой, надёжной и совместимой с существующими процессами производства полупроводников», — отметил Ланца.
В ходе экспериментов ячейка NS-RAM продемонстрировала низкое энергопотребление, стабильную работу на протяжении множества циклов и хорошую производительность на разных устройствах. Эти характеристики необходимы для создания надёжных нейроморфных систем, которые могут быть использованы в реальных приложениях. Результаты работы команды знаменуют собой важный шаг в разработке компактных и энергоэффективных процессоров, которые обеспечат более быстрые и отзывчивые вычисления.
Если вам понравился материал, кликните значок - вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал - не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
