英國的研究人員最近開發出一款新型電腦晶片，有望使某些人工智慧（AI）系統在能源效率上大幅提升。這款裝置由拉夫堡大學的物理學家研製，能直接在硬體上處理隨時間變化的數據，而不需要依賴傳統電腦上運行的軟體。研究人員聲稱，這種方法在某些任務中能達到比傳統軟體方法高達 2,000 倍的能源效率，儘管具體的增益會根據應用而有所不同。
這一突破令人振奮，因為它展示了我們可以重新思考 AI 系統的建構方式，拉夫堡大學的高級講師 Pavel Borisov 博士表示，他是這項由工程與物理科學研究委員會（EPSRC）資助的研究團隊的負責人。他指出，透過使用物理過程而非完全依賴軟體，我們可以顯著降低這類任務所需的能量。
該研究發表於《Advanced Intelligent Systems》期刊，展示了一種基於鋰鉭氧化物的薄膜記憶電阻器裝置，具有隨機納米孔的內部結構不均勻性，並執行了 XOR 操作、圖像識別以及時間序列預測和重建等計算任務。在進行時間序列預測時，研究人員選擇了複雜的三維混沌 Lorenz-63 時間序列。他們通過在裝置上施加三個時間電壓波形，並使用來自三個輸出物理儲池的電流信號訓練讀取層，成功地在有物理儲池的情況下實現了滿意的預測和重建準確度。
研究團隊還指出，他們的工作突顯了可擴展的全氧儲池系統在晶片上的潛力，為應對時間信號的能源高效神經形電子產品鋪平了道路。他們展示了這個裝置能處理時間依賴的數據，並且在其輸出被輸入到線性計算模型時，可以用來識別模式和進行短期預測。根據新聞稿，他們使用 Lorenz-63 系統進行測試，這是一個著名的與「蝴蝶效應」相關的數學混沌模型，並且執行了識別簡單像素化數字圖像和基本邏輯運算的任務。
在這些測試中，模型能夠成功地利用經過記憶電阻器處理的數據預測混沌 Lorenz 系統的短期行為並重建缺失數據。它也正確識別了像素化的數字並執行了基本邏輯運算，顯示出同一設備能支持多種不同任務的能力。
受到人腦形成數量龐大且似乎隨機的神經連接的啟發，Borisov 博士表示，他們在鋰鉭氧化物的納米薄膜中設計孔洞，創建了複雜的隨機物理連接，作為一種新型電子設備的一部分。他們展示了如何利用這些設備以高達 2,000 倍較低的能量消耗預測複雜時間序列的未來演變。
