Создан синаптический коммутатор с автономной памятью и низким потреблением

Ученые Северо-Западного университета, Бостонского колледжа и Массачусетского технологического института создали новый синаптический транзистор, который имитирует работу синапсов в человеческом мозге. Результаты исследования, опубликованного в журнале Nature, помогут создать новые энергоэффективные системы искусственного интеллекта.

Устройство способно одновременно обрабатывать и хранить информацию, выходя за рамки обычных задач по классификации данных и выполняя ассоциативное обучение. Еще одним его преимуществом является то, что оно может работать при комнатных температурах в отличие от многих других нейроморфных технологий, которым требуются очень низкие температуры. Синаптический транзистор потребляет мало энергии, работает на высоких скоростях и обладает энергонезависимой памятью.

В обычном цифровом компьютере данные перемещаются между микропроцессором и памятью, потребляя много энергии. В более энергоэффективном биологическом мозге память и обработка сигналов совмещены и обеспечивается работой синапсов — контактов между нейронами.

Синаптический транзистор представляет собой мемристор — транзистор с памятью, чье сопротивление зависит от того, какой заряд в последний раз был через него пропущен. Исследования показывают, что мемристоры могут имитировать работу человеческих синапсов, однако их работа все еще энергозатратна. Чтобы преодолеть это ограничение, ученые использовали метод муаровых узоров, поместив друг на друга сверхтонкие слои двух материалов — двухслойного графена и гексагонального нитрида бора.

Муаровый узор возникает при наложении двух периодических сетчатых рисунков под углом друг к другу, например, тюлевых занавесок. В физике явление муара происходит при несоответствии решеток двумерных материалов, находящихся друг поверх друга. Скручивая один слой относительно другого, ученые добились такого муарового эффекта, что это позволило стабилизировать электронные свойства мемристора для комнатной температуры.

Эксперименты показали, что устройство способно идентифицировать схожие комбинации, состоящие из единиц и нулей, демонстрируя ассоциативное обучение и тратя на это меньше энергии, чем аналогичные устройства. Более того, когда мемристору давали неполные данные, он все равно успешно находил сходства.