مواد Moiré یک ترانزیستور سیناپسی برای محاسبات نورومورفیک می سازد - Physics World

مواد Moiré یک ترانزیستور سیناپسی برای محاسبات نورومورفیک می سازد - Physics World

تمبر زمان: 16 ژانویه 2024، 9:06 صبح

تصویر هنرمند از یک مغز بسیار متصل که از یک ماده مسطح با طرح مویر برمی‌خیزد
دستگاه جدید از یک ساختار نامتقارن تشکیل شده است که از دو لایه گرافن و یک لایه نیترید بور شش ضلعی تشکیل شده است. (با احترام: Xiaodong Yan، دانشگاه Northwestern)

محققان دانشگاه نورث وسترن، کالج بوستون و موسسه فناوری ماساچوست (MIT)، همگی در ایالات متحده، نوع جدیدی از ترانزیستور را برای استفاده در محاسبات نورومورفیک ساخته اند. این دستگاه که در دمای اتاق کار می‌کند، می‌تواند برای تشخیص الگوهای مشابه ورودی‌ها آموزش ببیند - ویژگی‌ای که به عنوان یادگیری انجمنی شناخته می‌شود که فراتر از وظایف استاندارد یادگیری ماشینی است.

کامپیوترهای نورومورفیک همانطور که از نامشان پیداست از معماری مغز انسان الهام گرفته شده اند. بلوک های ساختمان مدارهای آنها نورون های مصنوعی بسیار متصل و سیناپس های مصنوعی هستند که ساختار و عملکرد مغز را شبیه سازی می کنند. این ماشین‌ها واحدهای پردازش و حافظه را با هم ترکیب کرده‌اند که به آن‌ها اجازه می‌دهد اطلاعات را همزمان با ذخیره‌سازی آن‌ها پردازش کنند - درست مانند یک مغز انسان چند وظیفه‌ای. این توانایی آنها را از رایانه های دیجیتال با واحدهای پردازش و ذخیره جداگانه متمایز می کند، که در هنگام انجام وظایف داده فشرده، انرژی زیادی مصرف می کنند. چنین وظایفی با ورود دستگاه های هوشمند، متصل و مجموعه داده های وسیع به طور فزاینده ای رایج می شوند.

در حالی که دستگاه‌های سیناپسی در سال‌های اخیر پیشرفت قابل‌توجهی داشته‌اند، به دلیل فقدان مکانیسم‌های سوئیچینگ خوب محدود شده‌اند. مارک هرسام of شمال غربی، که در این تلاش تحقیقاتی مشارکت داشتند. او می‌گوید: «ماهیت تصادفی سوئیچینگ رشته‌ای در ممریستورها (مخفف مقاومت‌های حافظه)، که رایج‌ترین فناوری سیناپسی امروزی هستند، منجر به تغییرات قابل‌توجه دستگاه به دستگاه و چرخه به چرخه می‌شود.

هرسام می افزاید: انواع دیگر دستگاه های سیناپسی به سوئیچینگ مغناطیسی و تغییر فاز متکی هستند، اما این دستگاه ها به ترتیب از نسبت سوئیچینگ پایین و انرژی سوئیچینگ بالا رنج می برند.

مواد کوانتومی Moiré

برای غلبه بر این مشکلات، هرسام و همکارانش مواد کوانتومی موآر دو بعدی را مطالعه کرده‌اند. اینها از لایه‌هایی از مواد مختلف اتمی نازک تشکیل شده‌اند که روی هم چیده شده‌اند و با زوایای کوچک پیچ خورده‌اند. چنین ساختارهایی دارای خواص الکترونیکی هستند که در لایه های جداگانه مواد وجود ندارند. با چرخاندن لایه‌ها در زوایای مختلف نسبت به یکدیگر، محققان می‌توانند این ویژگی‌های الکترونیکی را با دقت تنظیم کنند – خاصیتی که برای دستگاه‌های الکترونیکی جدید، از جمله اجزایی برای محاسبات نورومورفیک، بسیار جذاب است.

در کار آنها که به تفصیل در طبیعتمحققان یک ساختار نامتقارن متشکل از دو لایه گرافن (کریستال مسطح کربن با ضخامت تنها یک اتم) و لایه ای از نیترید بور شش ضلعی (hBN) ایجاد کردند. از آنجایی که این دو ماده دارای ثابت های شبکه بسیار مشابهی هستند، اثرات موآر ناشی از عدم تطابق جزئی در مکان اتم های آنها بسیار واضح است. نتیجه یک جفت قوی کولن بین حالت های الکترونیکی دوبخشی در ساختار ناهمسان است که خود را به عنوان یک مکانیسم جغجغه ای کنترل شده الکترونیکی نشان می دهد. این جغجغه اجازه می دهد تا رسانایی ترانزیستور ساخته شده از ساختار ناهمگن دقیقاً کنترل شود و به طور مداوم تنظیم شود.

هرسام توضیح می‌دهد: «تنظیم‌پذیری پیوسته رسانایی دستگاه، علاوه بر عملکردهای سیناپسی کوانتومی جدید، مانند هموستازی واقعی زیستی و سازگاری ویژه ورودی، حالت‌های حافظه متراکم و قابل برنامه‌ریزی را ایجاد می‌کند. علاوه بر این، دستگاه‌های ما انرژی بسیار کمی مصرف می‌کنند و به لطف همگنی حالت‌های الکترونیکی موآر، حداقل تغییرات دستگاه به دستگاه را نشان می‌دهند.

عملکرد دمای اتاق

و این همه ماجرا نیست: دستگاه‌ها به سرعت تعویض می‌شوند، حالت‌های الکترونیکی خود را حتی در صورت قطع برق حفظ می‌کنند و مهمتر از همه، در دمای اتاق پایدار هستند. این برخلاف دستگاه‌های موآر قبلی است که فقط در دماهای برودتی کار می‌کردند.

هرسام و تیم برای آزمایش ترانزیستور خود، آن را آموزش دادند تا الگوهایی را که شبیه به یکدیگر به نظر می‌رسند تشخیص دهد. آنها با وارد کردن یک دنباله از سه صفر در یک ردیف (000) شروع کردند و سپس آن را برای شناسایی الگوهای مشابه، مانند 111 یا 101 آزمایش کردند.

هرسام توضیح می‌دهد: «اگر ما آن را برای تشخیص 000 آموزش دهیم و سپس 111 و 101 را به آن بدهیم، می‌داند که 111 بیشتر شبیه به 000 است تا 101. 000 و 111 دقیقاً یکسان نیستند، اما هر دو سه رقمی پشت سر هم هستند.

او می گوید که تشخیص شباهت شکل سطح بالاتری از شناخت است که به عنوان یادگیری تداعی شناخته می شود و دستگاه جدید قادر به این کار است.

محققان اکنون در حال بررسی پتانسیل سایر مواد واندروالس فراتر از گرافن و hBN هستند، به این امید که آنها را در ساختارهای ناهمسان موآری با عملکرد عصبی پیچیده تر ادغام کنند. هرسام می‌گوید: «هدف بلندمدت بزرگ‌سازی نمونه‌های امیدوارکننده در میان این ساختارهای ناهمسان برای تحقق بخشیدن به مدارها و سیستم‌های نورومورفیک کاملاً یکپارچه خواهد بود». دنیای فیزیک.

تمبر زمان:

بیشتر از دنیای فیزیک