Муаровий матеріал створює синаптичний транзистор для нейроморфних обчислень – Physics World

Дослідники з Північно-Західного університету, Бостонського коледжу та Массачусетського технологічного інституту (MIT), усі в США, розробили новий тип транзистора для використання в нейроморфних обчисленнях. Пристрій, який працює при кімнатній температурі, можна навчити розпізнавати подібні шаблони вхідних даних – властивість, відома як асоціативне навчання, яке виходить за рамки стандартних завдань машинного навчання.

Нейроморфні комп’ютери, як випливає з їх назви, натхненні архітектурою людського мозку. Будівельними блоками їхніх схем є високопов’язані штучні нейрони та штучні синапси, які імітують структуру та функції мозку. Ці машини мають об’єднані блоки обробки та пам’яті, які дозволяють їм обробляти інформацію одночасно з її збереженням – так само, як багатозадачний людський мозок. Ця здатність відрізняє їх від цифрових комп’ютерів з окремими блоками обробки та зберігання даних, які споживають величезну кількість енергії під час виконання завдань із інтенсивним об’ємом даних. Такі завдання стають все більш поширеними з появою розумних підключених пристроїв і величезних наборів даних.

Хоча синаптичні пристрої значно прогресували за останні роки, вони обмежені відсутністю хороших механізмів перемикання, пояснює Марк Герсам of Північно-західний, який був одним із керівників дослідження. «Стохастичний характер ниткоподібного перемикання в мемристорах (скорочення від резисторів пам’яті), які сьогодні є найпоширенішою синаптичною технологією, призводить до значної мінливості від пристрою до пристрою та від циклу до циклу», — говорить він.

Інші типи синаптичних пристроїв покладаються на магнітне перемикання та перемикання зі зміною фази, але вони страждають від низького коефіцієнта перемикання та високої енергії перемикання відповідно, додає Герсам.

Муарові квантові матеріали

Щоб подолати ці проблеми, Херсам і його колеги вивчали двовимірні муарові квантові матеріали. Вони складаються з шарів різних атомарно тонких матеріалів, складених один на одного та закручених під малими кутами. Такі структури мають електронні властивості, яких немає в окремих шарах матеріалу. Скручуючи шари під різними кутами відносно один одного, дослідники можуть дуже точно налаштувати ці електронні властивості – властивість, яка є дуже привабливою для нових електронних пристроїв, включаючи компоненти для нейроморфних обчислень.

У своїй роботі, яка детально в природа, дослідники створили асиметричну структуру, що складається з двох шарів графену (плоский кристал вуглецю товщиною всього в один атом) і шару гексагонального нітриду бору (hBN). Оскільки ці два матеріали мають дуже подібні постійні гратки, ефект муару, спричинений невеликою невідповідністю розташування їх атомів, дуже виражений. Результатом є сильний кулонівський зв’язок між двосторонніми електронними станами в гетероструктурі, який проявляється як храповий механізм з електронним керуванням. Цей храповик дозволяє точно контролювати та постійно налаштовувати провідність транзистора, виготовленого з гетероструктури.

«Постійна настроюваність провідності пристрою забезпечує щільні та програмовані стани пам’яті на додаток до нових квантових синаптичних функцій, таких як біореалістичний гомеостаз і адаптація до вхідних даних», — пояснює Герсам. «Більше того, наші пристрої споживають дуже мало енергії та демонструють мінімальні варіації від пристрою до пристрою завдяки однорідності електронних станів муару».

Робота при кімнатній температурі

І це ще не все: пристрої швидко перемикаються, зберігають свій електронний стан навіть при вимкненому живленні і, що важливо, стабільні при кімнатній температурі. Це на відміну від попередніх муарових пристроїв, які працювали лише при кріогенних температурах.

Щоб перевірити свій транзистор, Херсам і команда навчили його розпізнавати шаблони, схожі один на одного. Вони почали з введення послідовності з трьох нулів (000), а потім перевірили її на виявлення схожих шаблонів, наприклад 111 або 101.

Мемристори створюють універсальні штучні синапси для нейроморфних обчислень

«Якщо ми навчили його виявляти 000, а потім дали йому 111 і 101, він дізнається, що 111 більше схожий на 000, ніж на 101», — пояснює Герсам. «000 і 111 — це не зовсім те саме, але обидва є трьома цифрами в рядку».

Розпізнавання подібності є формою пізнання більш високого рівня, відомою як асоціативне навчання, і новий пристрій здатний на це, каже він.

Зараз дослідники вивчають потенціал інших матеріалів Ван-дер-Ваальса, окрім графену та hBN, сподіваючись інтегрувати їх у муарові гетероструктури з ще більш складною нейроморфною функціональністю. «Довгострокова мета полягала б у тому, щоб збільшити масштаби найбільш багатообіцяючих прикладів серед цих гетероструктур для реалізації повністю інтегрованих нейроморфних схем і систем», — розповідає Херсам. Світ фізики.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://physicsworld.com/a/moire-material-makes-a-synaptic-transistor-for-neuromorphic-computing/