劍橋大學的研究人員開發出一種高性能的記憶電阻器，使用了專門的鉿氧化物。記憶電阻器是一種低能耗的元件，模擬我們大腦細胞的連接方式，幫助節省能量。這種納米電子設備有潛力將人工智能的能耗降低高達 70%。劍橋材料科學與冶金學系的主筆博士 Babak Bakhit 表示，能耗是當前人工智能硬件面臨的主要挑戰之一。為了解決這個問題，需要具備極低電流、優良穩定性、出色均勻性以及能夠在多種不同狀態間切換的設備，Bakhit 補充道。
標準計算機芯片效率低下。這些芯片在內存單元和處理器之間傳輸數據時消耗了大部分能量。這種數字通勤產生熱量並浪費電力，而我們的大腦並不是這樣工作的。我們在同一個地方處理和存儲信息：突觸。劍橋團隊的技術使用了一種專門的鉿氧化物來實現這一點。研究人員開發出一種神經形態（仿生大腦）芯片，利用穩定的低能耗記憶電阻器在單一芯片上處理這兩項任務。
大多數記憶電阻器依賴於不穩定的導電絲。劍橋團隊使用基於鉿的薄膜開發了一種更穩定的替代方案。這種新設備用光滑、可靠的切換界面取代了在舊設備中物理生長並斷裂的高電壓導電絲。新設備結合了鋇和鈦，創建內部 p-n 結，充當平滑的電子閘。這種新設備通過簡單調整材料界面的能量障礙來調節電流，而不依賴於混亂的結構變化，從而提供了大型人工智能系統所需的精確性和可靠性。
Bakhit 表示：「導電絲設備會受到隨機行為的影響，但由於我們的設備在界面處進行切換，它們在循環之間和設備之間顯示出卓越的均勻性。」這項基於鉿的突破通過使用比舊技術小一百萬倍的切換電流來減少能耗。此外，這一發展還支持數百個穩定的、不同的電流流動水平，這是先進模擬內存計算所需的精確多任務能力。實驗室測試證實這些設備不僅耐用，還具有類大腦特性，能夠可靠地承受數萬次循環，同時保持數據約一天。
最重要的是，它們模擬生物學習，通過重現尖峰時序依賴性可塑性來實現。這正是我們自己的神經元用來根據信號的到達時機加強或削弱連接的過程。Bakhit 表示：「如果想要能學習和適應的硬件，而不僅僅是存儲位元，這些都是必要的特性。」儘管這些成果令人振奮，但距離最終目標仍有一段距離。目前，製造過程需要 700°C 的高溫，這對於標準半導體製造來說過於炎熱，因為需要較低的條件以避免融化敏感元件。
Bakhit 博士在去年 11 月之前經歷了三年的大量失敗，現在專注於降低這一溫度，以使其與現代工廠生產線兼容。如果能成功降低這個溫度，這項技術有望成為超低能耗人工智能硬件的突破性解決方案。這種設備可能將能耗降低 70%，同時提供大型類大腦計算所需的穩定性和適應性。這些研究結果已發表在《科學進展》期刊上。
