科学家开发出仿脑芯片，用于更高效的人工智能硬件，能耗降低70%。

剑桥大学的研究人员利用一种特殊的氧化铪开发出了一种高性能忆阻器。

忆阻器是一种低能耗元件，它模拟我们大脑细胞的连接方式，有助于节约能量。

这种纳米电子装置有望将人工智能的能耗降低高达 70%。 “能源消耗是当前人工智能硬件面临的关键挑战之一，”剑桥大学材料科学与冶金系首席作者巴博克·巴希特博士说。

“为了解决这个问题，你需要电流极低、稳定性极佳、开关周期和器件之间具有出色的均匀性，并且能够在多种不同状态之间切换的器件，”巴基特补充道。

节能芯片

传统计算机芯片效率低下。这些芯片的大部分能量都消耗在内存单元和处理器之间的数据传输上。这种数字通信会产生热量并浪费电力。

我们的大脑并非如此运作。我们处理和存储信息的地方是同一个地方：突触。

剑桥团队采用的技术正是利用一种特殊形式的氧化铪来实现这一目标。

研究人员开发了一种神经形态（受大脑启发）芯片，该芯片使用稳定的低功耗忆阻器，可在单个芯片上处理这两项任务。

大多数忆阻器依赖于不可预测且不稳定的“导电细丝”。

剑桥大学的研究团队开发了一种更稳定的替代方案，该方案采用铪基薄膜。它取代了老式器件中不稳定、高压且容易断裂的细丝，从而提供了一个平稳可靠的开关接口。

该新型器件采用锶和钛来创建内部 pn 结，从而起到平滑电子门的作用。

这种新型装置并非依赖于混乱的结构变化，而是通过简单地调节材料界面处的能量势垒来控制电流。它具备大规模人工智能系统所需的精度和可靠性。

“丝状器件存在随机行为的问题，”巴希特说。“但由于我们的器件在界面处进行切换，因此它们在每次循环之间以及不同器件之间都表现出极佳的一致性。”

700°C 障碍

这项基于铪的突破性技术通过使用比旧技术小一百万倍的开关电流，降低了功耗。

此外，这项技术还支持数百个稳定、不同的电流水平——这是高级模拟内存计算所需的精确“多任务”能力。

实验室测试证实，这些设备既耐用又像大脑一样，能够可靠地承受数万次循环，并能保存数据约一天。

最重要的是，它们通过重现“脉冲时序依赖性可塑性”来模拟生物学习。这与我们自身神经元根据传入信号的时序来加强或减弱连接的过程相同。

“如果你想要能够学习和适应的硬件，而不仅仅是存储数据位，那么这些就是你需要的特性，”巴希特说。

尽管兴奋不已，但终点线还有几英里远。

目前，该制造工艺需要700°C的温度。这对于标准的半导体制造来说温度太高了，因为半导体制造更倾向于在较低的温度下进行，以避免熔化精密元件。

巴希特博士在去年 11 月取得突破之前，花了三年时间经历了“大量的失败”，现在他正致力于降低温度，使其与现代工厂生产线兼容。

如果他们能够成功降低这个温度，这项技术有望成为超低功耗人工智能硬件的颠覆性解决方案。

该设备可将能耗降低 70%，同时提供大规模、类脑计算所需的稳定性和适应性。

研究结果发表在《科学进展》杂志上。

参考链接

https://interestingengineering.com/innovation/brain-inspired-chip-ai-energy-use

（来源：interestingengineering）