Учёные разработали транзистор, который хранит и обрабатывает информацию, как человеческий мозг, и может выполнять когнитивные задачи, с которыми сегодня сталкивается большинство систем искусственного интеллекта (ИИ).
Эта технология, известная как «синаптический транзистор», имитирует архитектуру человеческого мозга, в которой вычислительная мощность и память полностью интегрированы и находятся в одном месте. Это отличается от традиционной вычислительной архитектуры, в которой процессор и память являются физически отдельными компонентами.

«Мозг имеет принципиально иную архитектуру, чем цифровой компьютер, — сказал в своём заявлении Марк Херсам (Mark Hersam), соруководитель исследования и профессор материаловедения, инженерии и вычислительной техники Северо-Западного университета. — В цифровом компьютере данные перемещаются между микропроцессором и памятью туда и обратно, что потребляет много энергии и создаёт узкие места при попытке одновременного выполнения нескольких задач.»
Благодаря полной интеграции вычислительной мощности и памяти синаптический транзистор может достигать значительно более высокой энергоэффективности и чрезвычайно быстро перемещать данные, пишут учёные в исследовании, опубликованном 20 декабря в журнале Nature. По словам экспертов, эта новая форма вычислительной архитектуры необходима, поскольку использование традиционной электроники в эпоху больших данных и растущего спроса на вычислительные рабочие нагрузки искусственного интеллекта приведёт к беспрецедентному потреблению энергии.
По словам исследователей, учёные и раньше создавали синаптические транзисторы, но они работали только при чрезвычайно низких температурах. Однако в новом транзисторе используются материалы, которые работают при комнатной температуре.
В традиционной электронике транзисторы упаковываются на кремниевый подложке, но в новом синаптическом транзисторе исследователи соединили двухслойный графен (BLG) и гексагональный нитрид бора (hBN) и целенаправленно сплели их, чтобы сформировать так называемый муаровый узор.

Когда они поворачивали один слой относительно другого, появлялись новые электронные свойства, которых не существовало ни в одном слое по отдельности. Чтобы транзистор работал при комнатной температуре, необходимо было использовать определённую степень скручивания и обеспечить почти идеальное выравнивание между hBN и BLG.
Исследователи протестировали чип, сначала обучив его работе с данными, чтобы он научился распознавать шаблоны. Затем они представили чипу новые последовательности, которые были похожи на обучающие данные, но не идентичны им. Этот процесс, известный как ассоциативное обучение, является одним из тех, которые большинство систем машинного обучения не могут выполнять должным образом.
«Если ИИ предназначен для имитации человеческого мышления, одной из задач самого низкого уровня будет классификация данных, то есть просто сортировка по ячейкам, — сказал Херсам. — Наша цель — продвигать технологии искусственного интеллекта в направлении мышления более высокого уровня. Реальные условия зачастую сложнее, чем могут выдержать современные алгоритмы искусственного интеллекта, поэтому мы протестировали наши новые устройства в более сложных условиях, чтобы проверить их расширенные возможности.»
В одном из упражнений исследователи обучили ИИ распознавать последовательность «000». Затем исследователи попросили ИИ идентифицировать похожие шаблоны — например, представив ему «111» и «101». Последовательности «000» и «111» не совпадают, но ИИ выяснил, что это три цифры подряд.
Это может показаться достаточно простым, но современные инструменты ИИ борются с этим типом когнитивных рассуждений. В дополнительных экспериментах исследователи также подвергли искусственный интеллект «неприятным сюрпризам», предоставив ему неполные шаблоны. Но искусственный интеллект, использующий этот чип, всё же продолжил демонстрировать ассоциативное обучение, по словам исследователей.
«На данный момент мы реализовали муаровый синаптический транзистор только с помощью hBN и BLG, — рассказал Херсам Live Science по электронной почте. — Однако существует множество других двумерных материалов, которые можно объединить в другие муаровые гетероструктуры. Поэтому мы считаем, что только начали прикасаться к тому, что возможно в развивающейся области муаровых нейроморфных вычислений.»
По словам Херсама, особенности, которые учёные наблюдали в этом экспериментальном транзисторе, могут послужить основой для будущих поколений технологий, которые будут использоваться в высокоэффективных чипах, питающих передовые системы искусственного интеллекта и машинного обучения.



