نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

31 اردیبهشت 1403 9:52 ب.ظ

نسل بعدی دستگاه های نیمه هادی هوش مصنوعی از مغز انسان تقلید می کنند

نسل بعدی دستگاه های نیمه هادی هوش مصنوعی از مغز انسان تقلید می کنند

29 مارس 2024 – توسط DGIST موسسه علم و فناوری Daegu Gyeongbuk

ویژگی‌های فیلم HZO فروالکتریک رسوب‌شده. الف) تصویر HR-TEM که ضخامت (15 نانومتر) فیلم فروالکتریک HZO و تصویر مقطعی از کریستالیت HZO ارتورومبیک با استفاده از HR-TEM را نشان می دهد. نوار مقیاس، 50 نانومتر. قسمت داخلی نمای بزرگنمایی شده ای از آرایش اتمی HZO متعامد را نشان می دهد . ب) نقشه برداری EDS از مقطع HZO، که توزیع عناصر رسوب شده (هافنیوم، زیرکونیوم و اکسیژن) را نشان می دهد. ج) حلقه های P-V فیلم HZO. دPermittivity – حلقه های V فیلم HZO. ه) الگوی GIXRD غیرپیچیده شده از فیلم HZO فروالکتریک. طیف XPS با وضوح بالا f O 1s، g) Hf 4f، h Zr 3d. اعتبار: علوم پیشرفته (2024. DOI:

یک تیم تحقیقاتی به سرپرستی پروفسور Kwon Hyuk-jun از دپارتمان مهندسی برق و علوم کامپیوتر DGIST یک فناوری نیمه هادی هوش مصنوعی نسل بعدی را توسعه داده اند که کارایی مغز انسان را در هوش مصنوعی و سیستم های نورومورفیک تقلید می کند.

پیشرفت هوش مصنوعی تقاضای فزاینده ای را برای فناوری نیمه هادی کم مصرف با سرعت عملیاتی سریع تحریک کرده است. با این حال، دستگاه‌های محاسباتی سنتی با معماری فون نویمان و واحدهای محاسباتی و حافظه جداگانه دارای کاستی‌هایی در سرعت و کارایی انرژی هستند که با گلوگاه‌های پردازش داده‌ها مرتبط است. در نتیجه، تحقیقات بر روی دستگاه‌های نورومورفیک که عملکردهای محاسباتی و حافظه همزمان نورون‌های بیولوژیکی را تقلید می‌کنند، مورد توجه قرار گرفته است.

در مقابل این پس‌زمینه، تیم پروفسور هیوک-جون کوون، ترانزیستورهای اثر میدان سیناپسی را با استفاده از اکسید هافنیوم، که خواص الکتریکی قوی دارد، و لایه‌های نازکی از دی سولفید قلع، توسعه دادند. این منجر به یک دستگاه نورومورفیک سه پایانی شد که قادر به ذخیره سطوح مختلف داده به روشی مشابه نورون ها بود.

این تحقیق با موفقیت ویژگی‌های بیولوژیکی مانند خواص کوتاه‌مدت و بلندمدت را تکرار کرد و دستگاهی بسیار کارآمد را تولید کرد که 10000 برابر سریع‌تر از سیناپس‌های انسان پاسخ می‌دهد و انرژی بسیار کمی مصرف می‌کند.

پروفسور هیوک جون کوون از دپارتمان مهندسی برق و علوم کامپیوتر گفت: “این تحقیق گامی مهم به سوی معماری محاسباتی نسل بعدی است که به مصرف انرژی کم و محاسبات با سرعت بالا نیاز دارد. ما سخت افزار نورومورفیک با کارایی بالا توسعه داده ایم. با استفاده از کانال‌های دو بعدی و اکسید هافنیوم فروالکتریک، و انتظار می‌رود این نوآوری در آینده کاربردهای مختلف هوش مصنوعی و یادگیری ماشینی داشته باشد.”

این تحقیق در مجله Advanced Science منتشر شده است.

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برای دانلود رزومه موسسه بر روی عکس کلیک کنید