- 13,842
- 20
- 8 Ноя 2022
Уникальное устройство обеспечивает обработку и хранение информации одновременно.
Ученые из Нортвестернского университета, Бостонского колледжа и Массачусетского технологического института (MIT) достигли значительного прогресса в области нейроморфных вычислений, создав новый синаптический транзистор. Этот прибор способен одновременно обрабатывать и хранить информацию, подобно человеческому мозгу. Это отличает его от традиционных вычислительных систем, где обработка данных и их хранение происходят отдельно.
Одной из ключевых особенностей нового устройства является его способность функционировать при комнатной температуре, что является значительным улучшением по сравнению с предыдущими разработками, которые требовали криогенных условий для работы. Транзистор также обладает высокой скоростью работы, низким энергопотреблением и способностью сохранять информацию даже после отключения питания, что делает его идеальным для использования в реальных условиях.
Исследование, Для просмотра ссылки Войдиили Зарегистрируйся в журнале Nature под названием "Moiré synaptic transistor with room-temperature neuromorphic functionality", открывает новые перспективы в разработке нейроморфных устройств, которые могут найти применение в самых разных сферах, начиная от искусственного интеллекта и заканчивая разработкой энергоэффективных вычислительных систем.
Марк С. Херсам из Нортвестернского университета, один из руководителей исследования, отметил, что мозг имеет существенно отличную архитектуру от цифровых компьютеров. В цифровых компьютерах данные передаются между микропроцессором и памятью, что потребляет много энергии и создает узкое место при одновременном выполнении нескольких задач. В мозге память и обработка информации находятся в одном месте и полностью интегрированы, что обеспечивает значительно более высокую энергоэффективность. Синаптический транзистор, созданный исследователями, аналогичным образом объединяет функции памяти и обработки информации.
Прорыв был достигнут благодаря использованию муаровых узоров, возникающих при наложении двух узоров друг на друга. Исследователи скомбинировали двухслойный графен и гексагональный нитрид бора. Когда эти материалы складываются и скручиваются определенным образом, они образуют муаровый узор, который позволяет добиться различных электронных свойств в каждом слое графена, несмотря на их атомарную близость. Это позволило исследователям использовать муаровую физику для достижения нейроморфной функциональности при комнатной температуре.
В ходе экспериментов новый транзистор был обучен распознавать и категоризировать данные. Он успешно выполнил задачи, превосходя простые задачи машинного обучения. Например, после обучения распознавать узор 000 (три нуля подряд), устройство успешно идентифицировало схожие узоры, такие как 111 или 101, что демонстрирует ассоциативное обучение. А это в свою очередь, более высокий уровень когнитивных способностей, чем простая классификация данных, и является шагом вперед в развитии ИИ и машинного обучения.
Профессор Херсам подчеркнул, что современные алгоритмы ИИ часто сталкиваются с ограничениями при обработке сложных реальных условий. Новый транзистор, способный к ассоциативному обучению даже при неполных данных, открывает новые возможности для создания более продвинутых и энергоэффективных вычислительных систем, способных справляться с более сложными задачами.
Ученые из Нортвестернского университета, Бостонского колледжа и Массачусетского технологического института (MIT) достигли значительного прогресса в области нейроморфных вычислений, создав новый синаптический транзистор. Этот прибор способен одновременно обрабатывать и хранить информацию, подобно человеческому мозгу. Это отличает его от традиционных вычислительных систем, где обработка данных и их хранение происходят отдельно.
Одной из ключевых особенностей нового устройства является его способность функционировать при комнатной температуре, что является значительным улучшением по сравнению с предыдущими разработками, которые требовали криогенных условий для работы. Транзистор также обладает высокой скоростью работы, низким энергопотреблением и способностью сохранять информацию даже после отключения питания, что делает его идеальным для использования в реальных условиях.
Исследование, Для просмотра ссылки Войди
Марк С. Херсам из Нортвестернского университета, один из руководителей исследования, отметил, что мозг имеет существенно отличную архитектуру от цифровых компьютеров. В цифровых компьютерах данные передаются между микропроцессором и памятью, что потребляет много энергии и создает узкое место при одновременном выполнении нескольких задач. В мозге память и обработка информации находятся в одном месте и полностью интегрированы, что обеспечивает значительно более высокую энергоэффективность. Синаптический транзистор, созданный исследователями, аналогичным образом объединяет функции памяти и обработки информации.
Прорыв был достигнут благодаря использованию муаровых узоров, возникающих при наложении двух узоров друг на друга. Исследователи скомбинировали двухслойный графен и гексагональный нитрид бора. Когда эти материалы складываются и скручиваются определенным образом, они образуют муаровый узор, который позволяет добиться различных электронных свойств в каждом слое графена, несмотря на их атомарную близость. Это позволило исследователям использовать муаровую физику для достижения нейроморфной функциональности при комнатной температуре.
В ходе экспериментов новый транзистор был обучен распознавать и категоризировать данные. Он успешно выполнил задачи, превосходя простые задачи машинного обучения. Например, после обучения распознавать узор 000 (три нуля подряд), устройство успешно идентифицировало схожие узоры, такие как 111 или 101, что демонстрирует ассоциативное обучение. А это в свою очередь, более высокий уровень когнитивных способностей, чем простая классификация данных, и является шагом вперед в развитии ИИ и машинного обучения.
Профессор Херсам подчеркнул, что современные алгоритмы ИИ часто сталкиваются с ограничениями при обработке сложных реальных условий. Новый транзистор, способный к ассоциативному обучению даже при неполных данных, открывает новые возможности для создания более продвинутых и энергоэффективных вычислительных систем, способных справляться с более сложными задачами.
- Источник новости
- www.securitylab.ru
