Tekoäly
Miten memristorit tekevät tekoälystä inhimillisemmän
Lisää Securities.io suosikkilähteisiisi Google-palvelussa
Neuromorfisen, aivojen kaltaisen AI-laitteiston nousu
Kun tekoälystä tulee teknologia-alan keskus, on syntynyt kasvava ongelma: tekoälyn valtava laskenta- ja energiavaade, kun sitä suoritetaan CPU:illa ja GPU:illa.
Tämän seurauksena tutkijat työskentelevät ahkerasti neuroprosessointiyksiköiden (NPU) parissa, joita kutsutaan myös neuromorfisiksi siruiksi, tekoälylaitteiston tyypiksi, joka jäljittelee aivojen neuroneja.
“Ei ole niin, että sirumme tai tietokoneemme eivät olisi tarpeeksi voimakkaita mitä tahansa ne tekevätkin. Ongelma on niiden tehottomuus. Ne kuluttavat liikaa energiaa.”
Professori Joshua Yang – University Of Southern California
Siirtyminen aivoihin inspiroituun laitteistoon voisi muuttaa tapaamme lähestyä tekoälyä. Neuromorfiset suunnitelmat tarjoavat kolme merkittävää etua perinteisiin siruihin verrattuna:
- Mukautuva arkkitehtuuri: piiri, joka voi uudelleenkonfiguroida itsensä koulutusdatan perusteella.
- Radikaali energiatehokkuus: joissakin tapauksissa käyttämällä vain 1/100th GPU:n tehosta.
- Alhaisempi lämmöntuotto: vähentäen kalliita jäähdytysvaatimuksia, jotka vaivaavat nykypäivän AI-datakeskuksia.
“Kyky kehittää mikrosiruja, jotka jäljittelevät todellista hermostollista toimintaa, tarkoittaa, että ei tarvita paljon virtaa valmiustilassa tai kun konetta ei käytetä.
Se on jotain, mikä voi olla valtava potentiaalinen laskennallinen ja taloudellinen etu.
John LaRocco – tutkimuslääkäri psykiatrian alalla Ohio Statein Lääketieteellisessä korkeakoulussa.
Tutkijat testaavat useita lupaavia menetelmiä neuromorfisten sirujen luomiseksi. Yksi lähestymistapa sisältää incipient ferroelectricity:n hyödyntämisen—vielä huonosti ymmärretty ilmiö, joka voisi sallia materiaalien spontaanin sähköisen polarisaation vaihtumisen oikeissa olosuhteissa. Toinen keskittyy aktiivisiin alustoihin, jotka on valmistettu vanadiiumista tai titaanista, materiaaleihin, jotka voivat dynaamisesti muuttaa sähköisiä ominaisuuksiaan jäljitelläkseen aivojen kaltaista signaalia.
Ehkä laajimmin keskusteltu polku on memristorien käyttö—vallankumouksellinen luokka elektronisia komponentteja, jotka pystyvät tallentamaan tietoa resistanssin muutosten kautta. Nämä laitteet voivat suorittaa AI-tehtäviä vain 1/800th normaalista energiankulutuksesta, tehden niistä yhden kehitteillä olevista energiatehokkaimmista ratkaisuista.
Miten memristorit jäljittelevät synapseja
Vedä vierittääksesi →
| Ominaisuus | CPU | GPU | NPU / Memristor-siru |
|---|---|---|---|
| Arkkitehtuuri | Peräkkäinen, yleiskäyttöinen | Rinnakkainen, matriisikeskeinen | Aivoihin inspiroitu, mukautuva |
| Energiankulutus | Korkea | Kohtalainen – korkea | Äärimmäisen alhainen (1/100–1/800 teho) |
| Oppimistehokkuus | Hidas, ulkoinen muisti | Nopea koulutus, ulkoinen muisti | Muistissa, itse mukautuva |
| Paras käyttötapaus | Yleinen laskenta | AI-mallien koulutus | Reunatietokone AI, robotiikka, vähävirta AI |
Tämä voi merkittävästi vähentää energian ja ajan hukkaa, joka syntyy tiedon siirtämisestä prosessorin ja muistin välillä.
Yksi memristorien keskeisistä vahvuuksista on niiden kyky tehokkaaseen ja itse mukautuvaan paikalliseen oppimiseen, mikä on kriittistä robotiikan ja autonomisten ajoneuvojen sovelluksissa.
Lisäksi memristorien alhainen energiankulutus on erityisen hyödyllistä robotiikassa ja autonomisissa ajoneuvoissa, joissa energiatehokkuus on ensiarvoisen tärkeää.
Monia polkuja tutkitaan parhaiden memristorien luomiseksi, alkaen melko perinteisistä titaanioksidi-memristoreista jopa todellisten ihmisen neuronien (organoidit) tai jopa sienistä.
Ajatus orgaanisen materiaalin, mukaan lukien todellisten neuronien, käytöstä hermosolujen toiminnan jäljittelemiseksi, on teoreettisesti järkevä. Käytännössä tällaisen “tietokoneen” liittäminen perinteisiin IT-järjestelmiin voi kuitenkin olla haastavaa.
“Nykyiset laskentajärjestelmämme eivät koskaan ole olleet tarkoitettu käsittelemään valtavia määriä dataa tai oppimaan itsenäisesti vain muutamasta esimerkistä.
Yksi tapa parantaa sekä energiatehokkuutta että oppimistehokkuutta on rakentaa keinotekoisia järjestelmiä, jotka toimivat aivoissa havaittujen periaatteiden mukaisesti.
Tämä tehottomuus on hämmästyttävä verrattuna ihmisaivoihin. Nuori lapsi voi oppia tunnistamaan käsinkirjoitettuja numeroita nähdessään vain muutaman esimerkin kutakin, kun taas tietokone tarvitsee yleensä tuhansia esimerkkejä saavuttaakseen saman tehtävän.
Ja ihmisaivot suorittavat tämän tehtävän kuluttaen noin 20 W tehoa, kun taas uusimmat AI-datakeskukset kuluttavat GW-tasoa, eli lähes sata miljoonaa kertaa enemmän energiaa.
Uusi välikäyntivaihtoehto voisi olla luoda keinotekoisia siruja, jotka toimivat neuroneina perusperiaatteessaan. Tämä on polku, jonka ovat valinneet tutkijat University of Southern Californiassa, University of Californiassa, University of Massachusettsissa, Syracuse Universityssa, Air Force Research Laboratoryissa ja NASA Ames Research Centerissä.
He julkaisi tuloksensa Nature Electronics -lehdessä1, otsikolla “Spikkelevä keinotekoinen neuroni, joka perustuu yhteen diffuusiseen memristoriin, yhteen transistoriin ja yhteen vastukseen”.
Neuroneiden tulituksen jäljittely diffuusien memristorien avulla
Miten neuronit toimivat?
Neuroneiden tapa olla vuorovaikutuksessa keskenään ja lopulta käsitellä tietoa on käyttää sekä sähköisiä että kemiallisia signaaleja.
Jos signaali on tarpeeksi vahva, se tuottaa sähköisen impulssin, jota kutsutaan toimintapotentiaaliksi, sallimalla positiivisesti varautuneiden natriumionien virrata soluun.
Lähde: Nature Electronics
Kun tämä sähköinen signaali vastaanotetaan, se aiheuttaa neurotransmitterien vapautumisen.
Tähän asti elektroniset memristorit ja komplementaariset metalli‑oksidi‑puolijohde (CMOS) -piirit ovat käyttäneet sähköisiä signaaleja virtuaalisesti simuloidakseen tällaista toimintaa, mikä vaatii satoja transistoreita neuronin simuloimiseksi.
Sen sijaan tutkijat kehittivät laitteen nimeltä “diffuusinen memristori”, joka käyttää myös todellisia kemiallisia vuorovaikutuksia käynnistääkseen laskentaprosesseja.
Mitä diffuusiset memristorit ovat ja miten ne toimivat?
Kun perinteiset piisiristelmät perustuvat elektroneihin suorittaakseen laskentaa, diffuusiset memristorit käyttävät sen sijaan atomien liikettä. Ne käyttävät hopea-ioneja, jotka on upotettu oksidimateriaaleihin, luodakseen sähköpulssit, jotka jäljittelevät luonnollisia aivotoimintoja.
Lähde: Nature Electronics
Tietenkin tämä ei tarkalleen jäljittele, miten neuroni toimii, mutta periaate on hyvin samankaltainen.
“Vaikka ionit eivät ole täsmälleen samat keinotekoisissa synapseissamme ja neuroneissamme, ionien liikkumista ja dynamiikkaa hallitseva fysiikka on hyvin samankaltainen.”
Professori Joshua Yang – University Of South California
Osittain tämä samankaltaisuus johtuu siitä, että hopea-ionit diffundoituvat helposti tässä memristorijärjestelmässä, samankaltaisesti kuin natrium-ionit voivat liikkua orgaanisissa soluissa.
Hopean lisäksi memristori käyttää myös palladiumia, piitä, titaania ja hafniumia. Tutkimus pystyi visualisoimaan reaaliaikaisesti hopean diffuusion sähköisen ärsykkeen seurauksena.
Vedä vierittääksesi →
| Kerros / Materiaali | Rooli laitteessa | Miksi se on tärkeä |
|---|---|---|
| Hopea (Ag) ionit | Liikkuva laji spikkeleitä varten | Diffundoituu helposti, mahdollistaen ionivetoiset pulssit, jotka muistuttavat hermosolujen tulitusta |
| Oksidimatriisi (esim. HfO2) | Ionien isäntä / kytkentämedia | Säätää ionien liikettä ja filamenttien muodostumista memristiivisiin tiloihin |
| Palladium (Pd) | Elektrodi / katalyyttirajapinta | Stabiili kontakti ja suotuisa rajapintakemia |
| Titaani (Ti) | Kiinnitys-/estekerros | Parantaa elektrodin vakautta ja pinon eheyttä |
| Piidi (Si) | Alusta / CMOS-integraatio | Mahdollistaa pystysuoran integroinnin transistorin jalanjäljessä |
Tulevaisuus: Neuromorfiset sirut & energiatehokas AI
Tämän uuden memristorityypin keskeinen etu on, että se mahtuu yhden transistorin jalanjälkeen, kun taas vanhemmat suunnitelmat vaativat kymmeniä tai jopa satoja.
Alkuperäisessä testissä käytettiin vain muutamaa tällaista diffuusista memristoria, mikä osoitti, että niitä voidaan käyttää tyypillisen monitasoisen neuroverkon rakentamiseen, jota lähes kaikki nykyiset AI-järjestelmät käyttävät.
Lähde: Nature Electronics
Seuraava askel on koota paljon enemmän tällaisia järjestelmiä testatakseen, kuinka tehokkaita ne voivat olla todellisten AI-tehtävien suorittamisessa.
“Suunnittelemme rakennuspalikoita, jotka lopulta johtivat siihen, että sirukokoa voidaan pienentää kymmenien kymmenien kertaisesti ja energiankulutusta vähentää kymmenien kymmenien kertaisesti.”
Jotta AI:n suorittaminen tulevaisuudessa olisi kestävää, saman älykkyystason saavuttaminen ilman kestämättömän energian polttamista.
Selvittäminen, voidaanko käyttää muita ioneja, voisi myös olla hyödyllistä, sillä hopea-ioneja ei yleisesti käytetä puolijohdeteollisuudessa, mikä saattaa rajoittaa tämän suunnittelun omaksumisnopeutta teollisuudessa.
Toinen diffuusisten memristorien vaikutus on, että ne voivat auttaa ymmärtämään paremmin, miten biologiset aivot toimivat.
Pitkällä aikavälillä ne ovat todennäköisesti erityisen hyödyllisiä niin sanotussa “reunatietojenkäsittelyssä”, jossa laskenta tapahtuu suoraan paikalla, esimerkiksi robotissa tai itseohjautuvassa autossa, jonka täytyy tehdä päätös ilman yhteyttä AI-datakeskukseen.
Sijoittaminen neuromorfisiin siruvalmistajiin
Intel
Intel (INTC ) on puolijohdealan jättiläinen, joka on vuosien aikana kehittynyt teollisuuden perustajasta tieteelliseksi ja innovaatiovetäjäksi, menettäen valmistusvolyymin ykköspaikkansa yrityksille kuten Taiwanin TSMC.
Intel on neuromorfisen laskennan johtaja, mukaan lukien sen Loihi 2 -siru.
Se on myös perustanut Intel Neuromorphic Research Community -yhteisön, johon kuuluu Pennsylvania State University, joka on mukana vanadiumidioksidin tutkimuksessa, sekä monia muita potentiaalisia neuromorfisia suunnitelmia, ja yli 75 muuta tutkimusryhmää.
INTC Hintakaavio
Intel on myös erittäin aktiivinen biologisen aistin jäljittelemisessä toistamalla aivojemme toimintaa (joka on itsessään neuromorfisen laskennan haara), mistä keskustelimme tarkemmin artikkelissamme “Biomimeettiset hajuaistin sirut: Ovatko tekoäly ja e-nenätiöt seuraava kanariali hiilikaivoksessa?”.
Kaiken kaikkiaan Intel Lab -tutkimus on puolijohdeinnovaation eturintamassa, mukaan lukien AI, kvanttilaskenta, neuromorfinen laskenta ym. (Keskustelimme Intelin edistysaskeleista kvanttilaskennassa artikkelissamme “The Current State of Quantum Computing “).
Voit myös lukea lisää Intelin nykyisestä liiketoiminnasta ja T&K-ohjelmista omassa sijoitusraportissamme.
Viimeisimmät Intel (INTC) -osakkeen uutiset ja kehitykset
Viitattu tutkimus
1. Zhao, R., Wang, T., Moon, T. et al. Spikkelevä keinotekoinen neuroni, joka perustuu yhteen diffuusiseen memristoriin, yhteen transistoriin ja yhteen vastukseen. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
