Новая разработка ученых из Кембриджа обещает снизить энергопотребление ИИ на 70%

Современные системы искусственного интеллекта требуют колоссальных затрат электроэнергии. Для полноценной имитации работы человеческого мозга могут потребоваться тысячи мощных графических процессоров, каждый из которых потребляет 700 ватт, тогда как биологический мозг обходится всего 20 ваттами. Исследователи из Кембриджского университета представили устройство, способное приблизить аппаратное обеспечение ИИ к такой энергоэффективности.

Решение проблемы раздельной архитектуры

В традиционных вычислительных системах блоки памяти и процессорные модули физически разделены. Это вынуждает систему постоянно перемещать массивы данных между ними, что приводит к огромным потерям энергии. Инженеры создали мемристор — компонент, который объединяет функции хранения и обработки информации, подобно синапсам в мозге.

В отличие от классических транзисторов, мемристоры сохраняют свое состояние даже при отключении питания и имитируют работу искусственных синапсов, меняющих свою проводимость со временем.

Преимущества кембриджской разработки

Большинство существующих мемристоров работают на основе формирования микроскопических проводящих нитей в оксидных материалах. Этот процесс нестабилен, непредсказуем и требует высокого напряжения. Кембриджские ученые применили принципиально иной подход:

• Разработан материал на основе оксида гафния с добавлением стронция и титана.
• Вместо формирования нитей устройство меняет электрическое сопротивление через контролируемый энергетический барьер на внутреннем электронном интерфейсе.
• Результатом стала высокая стабильность параметров устройства в каждом цикле работы.

Энергоэффективность и нейроморфные вычисления

Исследование, опубликованное в журнале Science Advances, подтверждает высокую эффективность инновационных мемристоров. Токи переключения достигают экстремально низких значений в 10⁻¹¹ ампер, что примерно в миллион раз меньше, чем у многих аналогов. По оценкам разработчиков, использование подобных компонентов позволит сократить энергопотребление вычислительных систем более чем на 70%.

Кроме того, устройство демонстрирует аналоговое поведение, необходимое для нейроморфных вычислений. Мемристоры способны поддерживать сотни различных уровней проводимости, имитируя процесс постепенного изменения силы связей между нейронами. Тестирование показало, что аппаратное обеспечение успешно воспроизводит механизм пластичности, зависящей от времени импульса — ключевой процесс обучения биологических нейронных сетей.

Путь к коммерциализации

Несмотря на многообещающие показатели, технология находится на стадии лабораторных испытаний. Основным препятствием остается процесс производства: текущие методы требуют нагрева до 700 °C, что несовместимо с существующими стандартами изготовления полупроводников. В настоящий момент исследовательская группа работает над оптимизацией технологического процесса, чтобы сделать интеграцию новых компонентов в современные микрочипы возможной в будущем.