Создан нейроморфный чип, который хранит информацию и обучается быстро
Исследователи из МФТИ разработали новую версию мемристоров, которые являются основными компонентами нейроморфных чипов. Эти устройства лишены недостатков своих предшественников и могут одновременно имитировать работу синапсов человеческого мозга, а также хранить информацию. Об этом сообщается Центром научной коммуникации МФТИ. Об этом сообщает ТАСС.
Работа над мемристорами началась в 2019 году. Ранее созданные устройства могли имитировать поведение биологических синапсов, но быстро теряли информацию. Глубокое изучение физических процессов позволило преодолеть эту проблему, как пояснила заведующая лабораторией перспективных концепций хранения данных МФТИ Анастасия Чуприк.
Ученые много лет занимаются разработкой нейроморфных технологий, которые представляют собой новые вычислительные системы и методы хранения данных, аналогичные работе нервной системы человека. Нейроны способны одновременно хранить и обрабатывать информацию, а также воспринимать различные аналоговые сигналы, быстро меняя чувствительность к ним.
Мемристоры, резисторы с эффектом памяти, используются как аналоги нейронов. Их сопротивление изменяется при приложении напряжения или других воздействий. Однако инженерам приходилось выбирать между быстрой обучаемостью и надежным хранением данных.
Новые мемристоры обладают памятью благодаря устранению дефектов на границе раздела с полупроводником, которые сбрасывали поляризацию. Это позволяет сохранять данные и обеспечивать синаптическую функциональность, как отметил младший научный сотрудник МФТИ Илья Марголин.
Ученые заменили металлические электроды на полупроводниковые и оптимизировали толщину пленки из гафния и циркония, которая выполняет роль аналога нейрона. Эти изменения позволяют мемристору переключаться между режимами "ученика" и "архиватора", что дает возможность быстро обучаться или надежно запоминать информацию.
Время хранения информации увеличилось с нескольких секунд до 12 неполных суток, а количество циклов перезаписи возросло в двадцать раз. Это достижение значительно приближает человечество к созданию процессоров для искусственного интеллекта, которые будут потреблять меньше энергии и быстрее обучаться, достигая эффективности человеческого мозга.
