20 مه 2024 – توسط دانشگاه میشیگان -ترکیب قابل تنظیم و اختلال ساختاری در لایه‌های نازک تک کریستالی ESO روی الکترودهای YBCO همپایه.
شبکه‌های عصبی مصنوعی ممکن است به زودی بتوانند اطلاعات وابسته به زمان مانند داده‌های صوتی و تصویری را با کارایی بیشتری پردازش کنند. اولین ممریستور با «زمان آرامش» که می‌تواند تنظیم شود، در نیچر الکترونیکس، در مطالعه‌ای که توسط دانشگاه میشیگان انجام شد، گزارش شده است.
ممریستورها، اجزای الکتریکی که اطلاعات را در مقاومت الکتریکی خود ذخیره می‌کنند، می‌توانند نیاز انرژی هوش مصنوعی را در مقایسه با واحدهای پردازش گرافیکی امروزی حدود 90 برابر کاهش دهند. پیش‌بینی می‌شود که هوش مصنوعی حدود نیم درصد از کل مصرف برق جهان را در سال 2027 به خود اختصاص دهد و این پتانسیل را دارد که شرکت‌های بیشتری ابزارهای هوش مصنوعی را بفروشند و از آن استفاده کنند.
وی لو، استاد مهندسی جیمز آر ملور در U-M و نویسنده همکار این مطالعه با جان هرون، استادیار علوم و مهندسی مواد U-M.گفت: “در حال حاضر علاقه زیادی به هوش مصنوعی وجود دارد، اما برای پردازش داده های بزرگتر و جالب تر، رویکرد افزایش اندازه شبکه است. این کار چندان کارآمد نیست.”
مشکل این است که پردازنده‌های گرافیکی بسیار متفاوت از شبکه‌های عصبی مصنوعی که الگوریتم‌های هوش مصنوعی را اجرا می‌کنند، عمل می‌کنند – کل شبکه و تمام تعاملات آن باید به‌طور متوالی از حافظه خارجی بارگیری شوند، که هم زمان و هم انرژی مصرف می‌کند. در مقابل، ممریستورها صرفه جویی در مصرف انرژی را ارائه می دهند زیرا جنبه های کلیدی روشی را که شبکه های عصبی مصنوعی و بیولوژیکی بدون حافظه خارجی کار می کنند، تقلید می کنند. تا حدی، شبکه ممریستور می تواند شبکه عصبی مصنوعی را تجسم بخشد.
Sieun Chae، فارغ التحصیل رشته علوم و مهندسی مواد و اولین نویسنده این مطالعه با سانگمین یو، دکترای اخیر U-M. فارغ التحصیل مهندسی برق و کامپیوتر دکترای اخیر U-M، گفت: «پیش‌بینی می‌کنیم که سیستم مواد کاملاً جدید ما می‌تواند بازده انرژی تراشه‌های هوش مصنوعی را شش برابر نسبت به مواد پیشرفته بدون تغییر ثابت‌های زمانی بهبود بخشد.
در یک شبکه عصبی بیولوژیکی، زمان سنجی از طریق آرامش به دست می آید. هر نورون سیگنال‌های الکتریکی را دریافت می‌کند و آنها را ارسال می‌کند، اما این تضمینی نیست که یک سیگنال به جلو حرکت کند. قبل از اینکه نورون سیگنال های خود را ارسال کند، باید به آستانه ای از سیگنال های ورودی رسید و باید در مدت زمان معینی به آن رسید. اگر زمان زیادی بگذرد، گفته می شود که نورون با خروج انرژی الکتریکی از آن آرام می شود. وجود نورون‌هایی با زمان‌های آرامش متفاوت در شبکه‌های عصبی به ما کمک می‌کند توالی رویدادها را درک کنیم.
ممریستورها کمی متفاوت عمل می کنند. به جای وجود یا عدم حضور کلی یک سیگنال، آنچه تغییر می کند میزان عبور سیگنال الکتریکی است. قرار گرفتن در معرض یک سیگنال، مقاومت ممریستور را کاهش می دهد و به سیگنال بعدی اجازه عبور بیشتر می دهد. در ممریستورها، ریلکسیشن به این معنی است که مقاومت به مرور زمان دوباره افزایش می یابد.
در حالی که گروه لو در گذشته زمان استراحت ساختاری را در ممریستورها بررسی کرده بود، این چیزی نبود که بتوان به طور سیستماتیک کنترل کرد. اما اکنون، تیم لو و هرون نشان داده‌اند که تغییرات روی یک ماده پایه می‌تواند زمان‌های آرامش متفاوتی را فراهم کند و شبکه‌های ممریستور را قادر می‌سازد تا از این مکانیسم زمان‌سنجی تقلید کنند.
این تیم مواد را بر روی ابررسانا YBCO ساخت که از ایتریم، باریم، کربن و اکسیژن ساخته شده است. در دماهای زیر 292- فارنهایت مقاومت الکتریکی ندارد، اما آنها آن را به دلیل ساختار کریستالی اش می خواستند. سازماندهی اکسیدهای منیزیم، کبالت، نیکل، مس و روی را در مواد ممریستور هدایت کرد.
هرون این نوع اکسید را، یک اکسید تثبیت شده با آنتروپی، “سینک آشپزخانه دنیای اتمی” می نامد – هر چه عناصر بیشتری اضافه کنند، پایدارتر می شود. با تغییر نسبت این اکسیدها، تیم به ثابت های زمانی بین 159 تا 278 نانوثانیه یا تریلیونم ثانیه دست یافت. شبکه ساده ممریستور که آنها ساختند یاد گرفت که صداهای اعداد صفر تا نه را تشخیص دهد. پس از آموزش، می‌توانست هر عدد را قبل از تکمیل ورودی صدا شناسایی کند.
این ممریستورها از طریق یک فرآیند پر انرژی ساخته شدند، زیرا تیم برای اندازه گیری دقیق خواص آنها به کریستال های کامل نیاز داشت، اما آنها پیش بینی می کنند که یک فرآیند ساده تر برای تولید انبوه کار کند.
هرون گفت: «تاکنون، این یک چشم انداز است، اما من فکر می کنم مسیرهایی برای مقیاس پذیر و مقرون به صرفه ساختن این مواد وجود دارد. این مواد فراوان، غیرسمی و ارزان هستند و تقریباً می توانید روی آنها اسپری کنید.
