Современные ИИ-системы страдают от фундаментальной архитектурной проблемы: данные постоянно перемещаются между блоками памяти и процессора, что требует огромного количества электроэнергии. Нейроморфные вычисления решают эту проблему, объединяя хранение и обработку в одном месте, подобно тому, как это происходит в биологических нейронных сетях.

В отличие от традиционных мемристоров, работающих за счет образования непредсказуемых токопроводящих нитей внутри оксида металла, кембриджская разработка использует иной принцип. Добавив в оксид гафния стронций и титан и применив двухэтапный процесс роста, ученые создали в тонкой пленке электронные затворы (p-n переходы), которые позволяют плавно изменять сопротивление, регулируя энергетический барьер на границе раздела слоев.

Новые устройства демонстрируют токи переключения примерно в миллион раз ниже, чем у традиционных оксидных мемристоров, сохраняя при этом сотни стабильных уровней проводимости, пишет Scitech Daily. Они выдерживают десятки тысяч циклов переключения, хранят информацию около суток и воспроизводят ключевое биологическое поведение — пластичность, когда сила связи между нейронами меняется в зависимости от времени прихода сигналов.

Основное препятствие для коммерциализации мемристора — высокая температура изготовления (около 700°C), превышающая стандартные промышленные пределы для полупроводников. Сейчас команда работает над снижением температуры, чтобы сделать технологию совместимой с существующими производственными процессами.

Ведущий разработчик проекта Бабак Бахти, потративший три года на эксперименты, называет прорыв «потенциально переломным»: если удастся решить температурную проблему, устройство сможет обеспечить беспрецедентно низкое энергопотребление при высокой производительности. Это позволит создавать аппаратное обеспечение, способное не просто хранить цифровую информацию, но учиться и адаптироваться подобно биологическим нейронным сетям.

Команда ученых из Южной Кореи разработала интегральную схему на основе мемристоров, перспективных электрических элементов с эффектом памяти. Крошечный полупроводник способен самостоятельно обучаться и корректировать свою работу.