研究人員開發出一種新型奈米電子裝置，透過模仿人類大腦，有望大幅降低人工智慧硬體的能源消耗。
由劍橋大學領導的研究團隊開發出一種形式的氧化鉿，這種材料能作為一種高度穩定、低功耗的「憶阻器」——一種旨在模仿大腦中神經元連接效率的元件。相關研究結果已發表於《Science Advances》期刊。
目前的人工智慧系統依賴傳統的電腦晶片，需要在記憶體和處理單元之間來回傳輸資料。這種持續的資料移動會消耗大量電力，隨著人工智慧在各行業的普及，全球需求正爆炸性增長。
受大腦啟發的「神經形態運算」是一種替代的資訊處理方式，透過將資訊儲存在同一位置並以極低的功耗進行處理，可將能源使用量降低高達 70%。這種系統也會更具適應性，就像我們的大腦能夠學習和適應一樣。
劍橋大學材料科學與冶金學系的首席作者 Babak Bakhit 博士表示：「能源消耗是目前人工智慧硬體面臨的關鍵挑戰之一。為了解決這個問題，你需要具有極低電流、優異穩定性、跨切換週期和裝置的傑出一致性，以及在多個不同狀態之間切換的能力的裝置。」
大多數現有的憶阻器依賴於金屬氧化物材料內部形成微小的導電絲。但這些導電絲的行為難以預測，通常需要高電壓來形成和操作，限制了它們在大規模數據儲存和運算系統中的應用。
劍橋團隊轉而創造了一種類似鉿的薄膜，其切換狀態的方式完全不同。透過添加鍶和鈦，並採用兩步驟方法生長薄膜，研究人員得以在氧化物層的交界面形成微小的電子閘，即「p-n 接面」。這使得裝置能夠透過改變介面處的能障高度來平滑地改變其電阻，而不是透過生長或斷裂導電絲。
Bakhit，同時也是劍橋大學工程學系的成員，表示這種機制克服了開發憶阻器技術的最大挑戰之一。「絲狀裝置的行為是隨機的，」他說。「但由於我們的裝置在介面處切換，它們從週期到週期、從裝置到裝置都表現出傑出的均一性。」
使用這種基於鉿的裝置，研究人員實現了比某些傳統氧化物基裝置低約一百萬倍的切換電流。這些憶阻器還產生了數百個不同的、穩定的電導水平，這是類比「記憶體內運算」的關鍵要求。
實驗室測試顯示，這些裝置能夠可靠地承受數萬次的切換週期，並將其程式化的狀態儲存約一天。它們還重現了生物學中觀察到的基本學習規則，例如「尖峰時間依賴性可塑性」：神經元根據訊號到達的時間來加強或減弱其連接的機制。
Bakhit 表示：「如果你想要能夠學習和適應的硬體，而不僅僅是儲存位元，這些就是你需要的特性。」
然而，仍有一些挑戰需要克服。目前的製造過程需要約 700°C 的高溫——這高於標準半導體製造的容忍度。「這目前是我們裝置製造過程中的主要挑戰，」Bakhit 說。「但我們現在正在研究如何降低溫度，使其更能與標準產業流程相容。」
儘管如此，他認為這項技術最終可以整合到晶片級系統中。「如果我們能降低溫度並將這些裝置整合到晶片上，那將是向前邁出的一大步，」他說。
材料物理學家 Bakhit 表示，這項突破是在經歷了數年失敗的實驗之後取得的。轉捩點發生在去年年底，當時他嘗試了一種兩階段沉積方法的變體，在第一層生長後才添加氧氣。
「我為此花了將近三年時間，」他說。「有大量的失敗。但在 11 月底，我們看到了第一個真正好的結果。當然，現在還處於早期階段，但如果我們能解決溫度問題，這項技術可能會改變遊戲規則，因為能源消耗如此之低，同時裝置的性能也非常有前景。」
這項研究部分得到了瑞典研究委員會 (VR)、歐洲研究委員會、英國皇家工程學院、皇家學會以及英國研究與創新署 (UKRI) 的支持。劍橋大學的創新部門 Cambridge Enterprise 已為此申請了專利。