Chip inspirowany mózgiem obniża zużycie energii AI o 70 procent

Systemy sztucznej inteligencji pochłaniają coraz więcej energii elektrycznej. Globalne zapotrzebowanie rośnie w zawrotnym tempie, a tradycyjne chipy komputerowe nieustannie przesyłają dane między pamięcią a jednostkami obliczeniowymi. Ten ciągły ruch generuje ogromne koszty energetyczne. Czy da się to zmienić?

Memrystor, który myśli jak neuron

→ Czytaj też: Największy otwarty model AI ma 2,8 biliona parametrów. Chiny rzucają wyzwanie USA

Naukowcy z University of Cambridge opisali na łamach magazynu Science Advances procesor o zupełnie innej konstrukcji. Nowy chip to memrystor — układ, który równocześnie przetwarza dane i je przechowuje, naśladując pracę neuronów w ludzkim mózgu.

Różnica względem tradycyjnych rozwiązań jest fundamentalna. Konwencjonalne chipy opierają się na architekturze von Neumanna, w której pamięć i procesor są rozdzielone. Dane muszą wędrować tam i z powrotem, co pochłania energię i generuje opóźnienia. Memrystor eliminuje ten problem, łącząc obie funkcje w jednym miejscu.

Badacze twierdzą, że oszczędność energetyczna sięga nawet 70 procent. To nie jedyna zaleta — nowy układ znacznie lepiej adaptuje swoją pracę do zmieniających się wymagań programu, co czyni go idealnym kandydatem do zastosowań w systemach uczenia maszynowego.

Hafnowy przełom bez przewodzących włókien

→ Czytaj też: AI rozszyfrowała śpiew ptaków. Co mówią nam od lat?

Większość istniejących memrystorów działa na podstawie tworzenie mikroskopijnych przewodzących włókien wewnątrz warstwy tlenku metalu. Problem w tym, że takie włókna zachowują się nieprzewidywalnie i wymagają wysokich napięć, co ogranicza ich praktyczne zastosowanie w wielkoskalowych systemach.

Zespół z Cambridge poszedł inną drogą. Stworzyli warstwę na bazie hafnu, wzbogaconą strontem i tytanem. Dzięki temu udało się utworzyć maleńkie bramki elektronowe — tak zwane złącza p-n. Urządzenie płynnie zmienia swój opór poprzez przesuwanie wysokości bariery energetycznej na granicy między warstwami, zamiast przez tworzenie lub zrywanie włókien.

Urządzenia oparte na włóknach przewodzących cechują się losowym zachowaniem. Nasze urządzenia przełączają się jednak na granicy między warstwami, dzięki czemu wykazują wyjątkową jednorodność zarówno między kolejnymi cyklami pracy, jak i między poszczególnymi egzemplarzami — wyjaśnia dr Babak Bakhit z University of Cambridge.

W swoim systemie badacze uzyskali prądy przełączania około milion razy niższe niż w przypadku niektórych konwencjonalnych urządzeń opartych na tlenkach metali. Przełomowa wartość. Otwiera drogę do masowego zastosowania technologii w centrach danych i urządzeniach mobilnych.

Setki stanów i biologiczna plastyczność

Nowy memrystor generuje setki odrębnych, stabilnych poziomów przewodnictwa. To kluczowy wymóg dla obliczeń wykonywanych bezpośrednio w pamięci — podejścia, które eliminuje potrzebę ciągłego przesyłania danych między różnymi komponentami układu.

Testy wykazały, że układ wytrzymuje dziesiątki tysięcy cykli przełączania i przechowuje zaprogramowane stany przez około dobę. Co więcej, memrystor odtwarza podstawowe reguły uczenia się obserwowane w biologii, takie jak plastyczność zależna od czasu impulsów — mechanizm, dzięki któremu neurony wzmacniają lub osłabiają swoje połączenia w zależności od tego, kiedy docierają do nich sygnały.

Te właśnie cechy czynią nowy chip idealnym kandydatem do zastosowań w systemach AI, które muszą się uczyć i dostosowywać, a nie tylko przechowywać bity informacji. Zdolność do naśladowania biologicznych mechanizmów uczenia się może znacząco przyspieszyć rozwój bardziej zaawansowanych i energooszczędnych sieci neuronowych.

Wyzwanie temperaturowe do pokonania

Mimo imponujących wyników, przed komercjalizacją technologii stoi jeszcze jedno poważne wyzwanie. Obecny proces wytwarzania układu wymaga temperatur rzędu 700 stopni Celsjusza — wyższych niż standardowo dopuszczane w produkcji półprzewodników.

Tak wysokie temperatury komplikują integrację nowych memrystorów z istniejącymi liniami produkcyjnymi i podnoszą koszty wytwarzania. Naukowcy pracują już jednak nad sposobem obniżenia tej temperatury, co mogłoby uczynić technologię kompatybilną ze standardowymi procesami przemysłowymi.

Dr Bakhit podkreśla, że zużycie energii stanowi jedno z kluczowych wyzwań współczesnego sprzętu dla AI. Aby temu zaradzić, potrzebne są urządzenia działające przy niezwykle niskim prądzie, o bardzo dużej stabilności, znakomitej jednorodności między kolejnymi cyklami przełączania i między poszczególnymi urządzeniami, a także zdolne do przełączania się między wieloma różnymi stanami.

Przyszłość AI w rękach neuroinspirowanych chipów

Rozwój memrystorów inspirowanych mózgiem może fundamentalnie zmienić krajobraz sztucznej inteligencji. W miarę jak systemy AI stają się coraz bardziej złożone i wszechobecne, ich zapotrzebowanie na energię rośnie wykładniczo. Centra danych obsługujące duże modele językowe pochłaniają już dziś gigawaty mocy.

Nowa technologia z Cambridge oferuje realną alternatywę. Jeśli uda się pokonać wyzwania produkcyjne, memrystory mogą stać się podstawą następnej generacji sprzętu AI — bardziej wydajnego, szybszego i znacznie mniej energochłonnego. Nie tylko kwestia kosztów operacyjnych, ale także wpływu na środowisko i możliwości dalszego rozwoju sztucznej inteligencji.

Czy neuroinspirowane chipy staną się standardem w centrach danych i urządzeniach mobilnych? Wyniki z Cambridge sugerują, że ta przyszłość może nadejść szybciej, niż się spodziewamy.