Современные системы искусственного интеллекта сталкиваются с серьезным вызовом: по мере роста их мощности катастрофически увеличиваются затраты электроэнергии. Традиционная архитектура компьютеров разделяет хранение и обработку данных, что создает «бутылочное горлышко» и заставляет программное обеспечение выполнять колоссальный объем избыточных операций.
Созданы аналоговые ИИ, которые работают 2000 раз экономнее цифровых
Физики из Университета Лафборо разработали устройство на основе нанопористого оксида ниобия, способное обрабатывать динамические данные непосредственно на аппаратном уровне. Технология мемристоров позволяет имитировать работу скрытых слоев нейросети, сокращая энергопотребление ИИ-систем до 2000 раз по сравнению с традиционными программными методами.
Чип Университета Лафборо во время тестирования. Loughborough University
Технология мемристора. Мемристор — это четвертый фундаментальный элемент микроэлектроники (наряду с резистором, конденсатором и катушкой индуктивности), чье сопротивление зависит от прошедшего через него заряда. Иначе говоря, мемристор обладает памятью. В новой работе нанопоры в оксиде ниобия создают уникальную физическую среду, которая сама по себе является вычислительным ресурсом. Это избавляет систему от необходимости постоянно перемещать данные между процессором и оперативной памятью, что и дает колоссальный выигрыш в энергоэффективности.
Исследователи предложили альтернативный путь — использование физических свойств материалов для вычислений. Созданный ими чип работает по принципу резервуарных вычислений, где входящая информация преобразуется в форму, удобную для распознавания паттернов, не за счет сложного кода, а благодаря сложной структуре самого вещества.
![Принцип работы физического RC-контура с использованием нанопористого оксидного мемристора. Слева направо: состав физического резервуара, включая верхние электроды, переключающий слой мемристора и нижний нанопористый слой. Схематическое представление входного напряжения u(t), формы тока, отражающие состояния резервуара r(t), выходной слой y(t), полученный путем умножения сцепленного входного вектора X[u(t), r(t)] на матрицу весов Wout.](https://images.techinsider.ru/upload/img_cache/b17/b17ca1200d1023f076b3fa1f0798d3fa_cropped_510x173.webp "Принцип работы физического RC-контура с использованием нанопористого оксидного мемристора. Слева направо: состав физического резервуара, включая верхние электроды, переключающий слой мемристора и нижний нанопористый слой. Схематическое представление входного напряжения u(t), формы тока, отражающие состояния резервуара r(t), выходной слой y(t), полученный путем умножения сцепленного входного вектора X[u(t), r(t)] на матрицу весов Wout.")
Принцип работы физического RC-контура с использованием нанопористого оксидного мемристора. Слева направо: состав физического резервуара, включая верхние электроды, переключающий слой мемристора и нижний нанопористый слой. Схематическое представление входного напряжения u(t), формы тока, отражающие состояния резервуара r(t), выходной слой y(t), полученный путем умножения сцепленного входного вектора X[u(t), r(t)] на матрицу весов Wout.
Устройство состоит из тонких пленок с мириадами случайных нанопор, которые создают множество электрических путей, подобно нейронным связям в человеческом мозге. Такая архитектура позволяет чипу «запоминать» прошлые сигналы и эффективно обрабатывать данные, меняющиеся во времени, что критически важно для анализа биометрических датчиков или прогнозирования погоды. Работа опубликована в журнале Advanced Intelligent Systems.
Физика вместо программного кода
(A) Изображение устройства, выполненного по технологии SEM, состоящего из нанопористого (np)-Pt/NbOx с легированием азотом/Ti/Pt, с нижним электродом из np-Pt (20 нм), переключающим слоем из NbOx с легированием азотом (53 нм) и четырьмя верхними электродами из Pt (120 нм). (B) Изображение нижнего электрода из np-Pt, полученное с помощью СЭМ при виде сверху.
Эксперименты подтвердили универсальность нового подхода. Ученые протестировали систему на классической модели хаоса Лоренца, связанной с «эффектом бабочки», а также на задачах распознавания пиксельных изображений цифр и выполнения логических операций.
Мемристорное устройство успешно реконструировало недостающие данные и предсказывало краткосрочное поведение хаотических систем. Профессор Сергей Савельев, соавтор работы и эксперт в области теоретической физики, отмечает значимость этого прорыва: «Это отличный пример того, как фундаментальная физика может помочь современным вычислениям, сократить огромные вычислительные затраты за счет использования сложности физических систем в качестве многомерного фильтра для данных».
В дальнейшем команда планирует масштабировать технологию, увеличивая сложность нейронных сетей и проверяя их устойчивость к реальным зашумленным сигналам. Перенос вычислений из софта в «железо» открывает путь к созданию компактных и автономных ИИ-устройств, способных работать без подключения к облачным серверам и гигантским дата-центрам.