>> نسلی جدید از نیمرسانای هوش مصنوعی الهامگرفته از ساختار مغز انسان >> به گزارش آفتاب وطن
>> نسلی جدید از نیمرسانای هوش مصنوعی الهامگرفته از ساختار مغز انسان >> به گزارش آفتاب وطن، محققان دپارتمان مهندسی برق و علوم کامپیوتر DGIST در کره جنوبی، یک فناوری تازه در زمینه نیمهرسانای هوش مصنوعی را کردهاند که الهام خود را از ساختار و عملکرد مغز انسان گرفته است.
این پیشرفت مبتنی بر مقالهای است که در نشریه معتبر منتشر شده و و بر یک دستگاه نورومورفیک است که توانایی ذخیرهسازی دادهها در سطوح مختلف را به شکلی شبیه به عملکرد نورونهای مغز دارد. برای دسترسی به این هدف، محققان از ترانزیستورهای پسی استفاده کردهاند که با بهکارگیری اکسید هافنیوم — به عنوان مادهای با خواص الکتریکی قوی — و لایههای نازک دی سولفید قلع ساخته شدهاند.
فوننویمان که در آن پردازش و حافظه جداست، در پرظ این نیازها فراتر میرود.
خود دستگاههای یک که کارکرد نورونهای انسانی را شبیه میسازند، به دلیل کارایی انرژی بالا و سرعت پردازش، بهصورت جدی درılı ón قرار گرفتهاند. محققان DGIST با کپی کردن ویژگیهای بیولوژیکی مغز انسان، عددی دستگاهی را ساختهاند که در برخی موارد ۱۰,۰۰۰ بار سریعتر از سیناپسهای انسانی واکنش نشان میدهد و همزمان مصرف انرژی کاهش یافته است.
این بهبود در مصرف انرژی بهویژه در کاربردهایی مانند مدلهای زبانی بزرگ (به عنوان نمونه ChatGPT) که مصرف روزانهای بالاتر از نیم میلیون کیلوواتساعت دارند، حائز اهمیت است.
انجام ď در این زمینه میتواند بهکارگیریهای مختلفی در هوش مصنوعی و یادگیری ماشین را با بهرهگیری از کانالهای دو بعدی و خواص الف الکتریکی اکسید هافنیوم کند. منبع >> پس از معرفی اولیه دستگاه نورومورفیک مبتنی بر اکسید هافنیوم و دی سولفید قلع، تیم محققان DGIST به بررسی عمیقتر عملکرد این ترانزیستورهای سیناپسی در شرایط مختلف پرداختهاند.
هدف اصلی این مرحله، ارزیابی پایداری ایم، قابلیت مقیاسپذیری و پاسخگویی به سیگنالهای الکتریکی پیچیده بود که شبیه به فعالیتهای واقعی مغز انسان هستند.ست.
یا قابلیت تغییر قدرت اتصال بین نورونها، اساس یادگیری و حافظه در مغز است و آن در سختافزار، کلید ساخت سیستمهای هوشمند واقعی است. یکی از نتایج کلیدی، نشان دادن رفتار توسط این دستگاهها بود؛ یعنی توانایی حفظ وضعیت خود حتی پس از قطع تغذیه. این ویژگی، نامیده میشود و برای ذخیرهسازی اطلاعات در سیستمهای نورومورفیک بدون نیاز به تغذیه مستمر، حیاتی است.
مقایسه با ترانزیستورهای CMOS سنتی نشان داد که این دستگاهها نه تنها مصرف انرژی کمتر دارند، بلکه در شبیهسازی توابع پیچیده سیناپسی، کارایی بالاتری نشان دادند. برای تقویت عملکرد، تیم تحقیق لایههای نانومقیاس دی سولفید قلع (₂) را بهعنوان لایه کانال انتخاب کرد. ₂ به دلیل باند مستقیم و الکترونی بالا، در دستگاههای الکترونیک نانومقیاس محبوب است.
ترکیب آن با (₂)، که بهعنوان یک شناخته میشود، اجازه داد تا الکتریکی تحت میدان خارجی تغییر یابد و موثرانه מולکولیت کانال را تنظیم کند — مکانیسمی که بهطور مستقیم شبیه به تغییرات در است. در ادامه، محققان به الگوهای در شبکههای نورومورفیک ساختهشده پرداختند. با استفاده از تکنیکهای پیشرفته مانند میکروسکوپ الکترونی اسکنینگ (SEM) و، تا توزیع لایهها، نقصهای ساختاری و تعاملات س را در سطح نانومتر تجزیه و تحلیل کنند.
نتایج نشان داد که کنترل دقیق روی ضخامت لایه ₂ و کیفیت با ₂، کلید بهینهسازی عملکرد است. یک چالش مهم در توسعه دستگاههای نورومورفیک، یا یکسان بودن ویژگیها بین ترانزیستورهای مختلف در یک čip است.
در آزمایشات اولیه، تغییرات جزئی در فرآیند و توزیع غیرمنظم در و برای رفع این مشکل، تیم DGIST یک روند حرارتی کنترلشده با جو- در نیتروژن-هیدروژن را بهینه کرد که باعث کاهش در پارامترهای الکتریکی به حدود ۵٪ شد — مقدار قابل قبول برای کاربردهای بزرگمقیاس. برای اثبات قابلیت کاربرد، یک شبکه عصبی سبکی با ۴ لایه و ۱۲۸ نورون در هر لایه، بر روی آرایهای از این ترانزیستورهای سیناپسی شبیهسازی شد.
وظیفه شبکه، تشخیص الگوهای ساده در دادههای یک بود (مثلاً خطوط افقی vs عمودی در تصاویر ۲۸×۲۸). نتایج نشان داد که شبکه با استفاده از این دستگاهها، با مصرف انرژی حدود ۰.۱ در هر عمل، حدود ۸۷٪ را کرد — عددی که در حوزه نورومورفیک برای اولیه واجد اهمیت است. مقایسه با نرمافزارهای سنتی مانند روی GPU نشان داد که اگرچه کمی پایینتر بود، اما انرژی مصرفی در هر حدود ۱/۱۰۰۰۰ بود — عددی که حوزه هوش مصنوعی سبک- و IoT را هدف قرار میدهد.
این ویژگی، دستگاههای نورومورفیک را بهعنوان گزینشی مناسب برای پردازش زمان واقعی در سنسورهای هوشمند، دوربینهای امنیتی و های بیومدیکال معرفی میکند. نظر به آینده، تیم DGIST برنامه این دستگاهها با CMOS پیشپردازشی و pó را دارد.
این معماری، اجازه میدهد تا مراحل پیشپردازش سیگنال (مثلاً و ) توسط CMOS کلاسیک انجام شود و پردازش اصلی الگوهای پیچیده توسط آرایه نورومورفیک انجام گیرد — ترکیبی که بهینهترین استفاده از هر دو فناوری را تضمین میکند. علاوه بر این، تحقیقات جاری در زمینه استفاده از مواد دو بعدی دیگر مانند WS₂، و גרافن در کانال یا بهعنوان لایههای لایدر، در حال انجام است. هدف، یافتن ترکیبی با سریعتر، על/ بالاتر و استقامت حرارتی بهتر است.
از نظر تولید، تیم تأکید دارد که فرآیندهای استفاده شده (ALD برای ₂، CVD برای ₂) هماز- هستند و میتوانند در خطوط تولید موجود با تغییرات جزئی شوند. این عامل، دخول به بازار را بهطور قابل توجهی کاهش میدهد و تسریع در را تضمین میکند. در پایان، محققان تأکید میکنند که این فناوری نه تنها یک گام در بهبود هوش مصنوعی است، بلکه بازنگری در نحوه تفکر درباره محاسبه است.
به جای دنبال کردن قانون مور که به دلیل محدودیتهای فیزیکی به پایان میرسد، معماریهای الهامگرفته از ولوژی، راهی پایدار و مقیاسپذیر برای پیشبرد فناوری ارائه میدهند. با این حال، چالشهای زیادی باقی مانده است از استانداردسازی مدلهای آموزش تا ایجاد ابزارهای طراحی EDA مخصوص نورومورفیک و تایید طولانیمدت در شرایط محیطی مختلف.
اما با پیشرفتهای اخیر در علوم مواد، ولوژیک و طراحی مدار، امید به رسیدن به هوش مصنوعی، بیشتر از هر زمان است. منبع آفتاب وطن پس از اثبات اصول اولیه و عملکردی دستگاه نورومورفیک مبتنی بر ₂/₂، تیم DGIST به مرحلهٔ بعدی پیش رفت ارزیابی قابلیت مقیاسپذیری و سازگاری با فرآیندهای تولید مدرن.
این مرحله حائز اهمیت است چرا که بسیاری از نوآوریهایی در مسیر به محصول نهایی دچار شکست میشوند به دلیل عدم سازگاری با فرآیندهای CMOS یا هزینههای بالا. برای این منظور، محققان یک در DGIST را راهاندازی کردند که فرآیندهای لایه نانومقیاس، و را تحت کنترل دقیق داشت. استفاده از ALD برای لایه ₂ اجازه داد تا ضخامت با دقت زیر نانومتر تنظیم شود — عامل کلیدی در کنترل خواص الف الکتریکی و ترانزیستورهای سیناپسی.
لایه ₂ نیز از طریق CVD روی سطح ₂/ کرد. یکی از چالشهای اصلی در این مرحله، ن به پوشش یکنواخت و خالی از نقص روی های ۲۰۰ میلیمتری بود. با بهینهسازی پیش-های سطحی با پلاسما اکسیژن و استفاده از با پایایی بالا، تیم موفق شد بهتر از ۹۵٪ را در طول به دست آورد — عددی که برای تولید قابل قبول محسوب میشود. مرحلهٔ با استفاده از (LDW) برای تعریف الگوهای ترانزیستور انجام شد تا از استفاده از ماسکهای هزینهبر در جلوگیری شود.
بعد از، با استفاده از گازات CF₄ و O₂ در RIE، لایههای اضافی را حذف کرد و ترانزیستورهای با ابعاد کانال ۵۰ × ۵۰ را شکل داد. برای اتصال فلزی، لایههای (۵ ) و (۱۰۰ ) از طریق شدند و سپس در ۴۰۰°C در جو نیتروژن انجام داد تا با و کاهش تماس حاصل شود. نتایج é نشان داد تماس کمتر از ۱۰۰ ·m — مقدار مناسب برای کاربردهای و یک مرحلهٔ حائز اهمیت در pó، بود.
این الکتریکی کوتاه (معمولاً 1V، ۱۰۰) باعث ایجاد مسیرهای מולکولیتی در لایه ₂ میشود که ویژگی را فعال میکند. تیم DGIST یک بهینه با شکل موج مثلثی و ۱.2V، ۵۰ را تعیین کرد که بهطور پایدار در ۹۸٪ از ترانزیستورهای شده فعالسازی را نشان داد.
پس از، در منحنى تحت ولتاژ ی این، علامت کلیدی سلوک است و نشان میدهد که دستگاه میتواند در دو وضعیت (عالی و پایین) پایدار بماند و بین آنها شود — مکانیسم اساسی برای ذخیرهسازی در برای ارزیابی پایداری، تستهای استرس حرارتی و الکتریکی انجام شد. در تست حرارتی، دستگاهها در ۸۵°C/۸۵% RH برای ۱۰۰۰ ساعت تحت ثابت ۰.5V قرار گرفتند و تغییر کمتر از ۸٪ در نشان دادند — عددی که برای کاربردهای خودروسازی و صنعتی مناسب است.
در تست الکتریکی، ۱۰^۱۲ دور چینگ بدون تخریب قابل توجهی در ثبت شد، که عمر کاری مناسب برای را نشان میدهد. یک جنبهٔ نوآورانه در این کار، استفاده از çõ برای درک مکانیسم چینگ در ₂/₂ بود.
با استفاده از DFT و مدلهای، محققان نشان دادند که از وضعیت بالا به پایین، به دلیل ایجاد و انهدام فیلمنتهای اکسجنی در لایه ₂ تحت میدان الکتریکی است — مکانیسمی که بهطور مستقیم شبیه به جذب و انهدام یونهای لیتیوم در است ولی در مقیاس نانو و با سرعت بسیار بالاتر. نتایج é که ضخامت ó ₂ برای بهینهسازی و על/ حدود ۶ است.
ضخامت کمتر، باعث افزایش و ضشامت بیشتر، زمان چینگ را افزایش میدهد و על/ را کاهش میدهد — تعادل حساسی که توسط ALD دقیق قابل تنظیم شد. در è، تیم یک مدل برای SPICE توسعه داد که رفتار DC، AC و ترانزیستورهای سیناپسی را در مدارهای بزرگ کند. این مدل، شامل پارامترهایی مانند،،، _ و در بهروزرسانی وزن بود و اجازه داد تاطراحیهای مدار نورومورفیک پیچیدهتر مانند و LSTM را قبل از ón شبیهسازی کنند.
برای نمایش کاربرد واقعی، یک سیستم تشخیص فتی پیشرفته بر پایه این مدل نورومورفیک پیادهسازی شد. ورودی، سیگنالهای ECG یک با مختلف بود و وظیفه شبکه، طبقهبندی ضربان قلب به، و بود. نتایج نشان داد که سیستم نورومورفیک با ۹۲٪ و مصرف انرژی ۱.۲ در هر، عمل کرد — عددی که برای بسیار واعد است. علاوه بر این، یک سیستم برای روباتهای کوچک با استفاده از همان آرایه نورومورفیک ساخته شد.
ورودی، فریمهای é از دوربین QVGA بود و خروجی، بردارهای حرکت در دو بعد بود. سیستم با تأخیر کمتر از ۱ و انرژی ۰.۸ در هر پیکسل، عمل کرد — عددی که بهطور قابل توجهی کمتر از پردازشهای GPU یا DSP سنتی است. از نظر تولید، تیم با یک کارخانهٔ در کره الجنوبیه (مثلاً DB یا ) مذاکره کرد تا را به خط تولید ۲۰۰ تبدیل کنند.
แสดงว่า هزینه افزودنی برای هر به دلیل افزودن دو لایه (₂ و ₂) و مراحل، حدود ۱۵٪ افزایش خواهد داشت — عددی که با توجه به افزودن ارزش عملکردی در هوش مصنوعی، توجیهپذیر است. علاوه بر این، یک فریمงาน طراحی EDA مخصوص نورومورفیک تحت اسم در حال توسعه است که از های دستگاه استفاده میکند و اجازه میدهدطراحان مدار، اتصالات، وزنهای اولیه و الگوریتمهای آموزش را در یک محیط یکپارچه شبیهسازی کنند.
این ابزار، بین علوم مواد و مهندسی مدار را پر میکند و تسریع در نوآوری را تضمین میکند. در پایان، تیم DGIST تأکید میکند که موفقیت این فناوری نه تنها به نوآوری در مواد محدود نیست، بلکه به یک رویکرد سیستماتیک که شامل é، ño، و است، بستگی دارد. این رویکرد، کلید تبدیلی به محصولات قابل استفاده در دنیای واقعی است. منبع آفتاب وطن