Прорыв в нейроморфных вычислениях: новые чипы сократят энергопотребление ИИ на 70%

Воспроизведение возможностей человеческого мозга в цифровом виде остается одной из сложнейших задач современной науки. Для работы кластеров из мощных графических процессоров, таких как NVIDIA H100 с потреблением 700 ватт на чип, требуются мощности мегаваттного диапазона. В то же время человеческий мозг функционирует, затрачивая всего около 20 ватт. Исследователи из Кембриджского университета, вдохновленные биологической эффективностью, разработали новое устройство, способное радикально снизить энергозатраты вычислительных систем.

Мемристоры как основа искусственных синапсов

В основе разработки лежит создание сверхмаломощного мемристора — наноразмерного устройства, которое способно одновременно хранить и обрабатывать информацию в одной точке. Это имитирует работу синапсов в человеческом мозге. В традиционных компьютерных архитектурах блоки памяти и процессоры физически разделены, что заставляет данные постоянно перемещаться между ними. Этот процесс пересылки данных является основным потребителем электроэнергии в современных системах искусственного интеллекта.

Нейроморфные вычисления предлагают альтернативный путь. Вместо копирования структуры обычных компьютеров, такие системы имитируют работу биологических нейронных сетей, где нейроны и синапсы одновременно выполняют функции обработки и хранения данных через плотные сети электрических и химических сигналов.

Решение проблемы нестабильности материалов

До последнего времени существующие мемристоры имели серьезные недостатки. Большинство устройств на основе оксидов работают за счет формирования и разрыва крошечных проводящих нитей внутри материала. Эти пути образуются случайным образом, что делает работу устройств непредсказуемой от цикла к циклу. Кроме того, для их функционирования требуются относительно высокие напряжения.

Команда из Кембриджа применила иной подход, описанный в журнале Science Advances. Вместо использования случайных проводящих нитей, ученые разработали материал на основе оксида гафния, который переключает состояния через контролируемые изменения на внутреннем электронном интерфейсе. Добавление бария и титана в структуру позволило создать микроскопические p-n переходы — те же электронные компоненты, что используются в стандартных полупроводниках. Ключевые особенности новой технологии:

• Отсутствие хаотичного формирования нитей проводимости.
• Изменение электрического сопротивления за счет модификации энергетического барьера.
• Высокая однородность характеристик между отдельными устройствами и циклами переключения.

Экстремально низкое энергопотребление и аналоговый режим

Результаты тестирования показали впечатляющую эффективность. Токи переключения составили всего 10⁻¹¹ ампер, что примерно в миллион раз меньше, чем у стандартных оксидных мемристоров. Энергия переключения находится в диапазоне от фемтоджоулей до пикоджоулей, что сопоставимо с самыми эффективными нейроморфными решениями в мире. По оценкам экспертов, это позволит сократить общее потребление энергии ИИ более чем на 70%.

Важным достижением стала поддержка аналогового поведения. В отличие от цифровых систем, работающих в двоичном коде (0 или 1), биологические синапсы меняют силу связи постепенно. Новые мемристоры продемонстрировали сотни стабильных уровней проводимости, что критически важно для создания аналоговых вычислительных систем, подобных мозгу.

Обучение и перспективы коммерциализации

Устройства успешно воспроизвели механизмы биологического обучения, включая пластичность, зависящую от времени импульса (STDP). Это означает, что аппаратное обеспечение начинает вести себя не как статичная память, а как адаптивная ткань, способная обучаться на основе временных интервалов между сигналами.

Несмотря на успех, для коммерческого внедрения технологии необходимо преодолеть технологический барьер. Текущий процесс изготовления требует температуры около 700 °C, что превышает допустимые нормы для стандартного производства микросхем. В настоящее время исследователи работают над снижением рабочей температуры процесса, чтобы интегрировать новые компоненты в существующие линии по производству полупроводников. В случае успеха данная технология обеспечит переход к сверхэффективному оборудованию для ИИ, потребляющему лишь малую часть энергии по сравнению с сегодняшними стандартами.