Rekonfigurerbare datamaskiner som fungerer som hjernen din

Indiske Institute of Science-ingeniører avdekket nylig en neste‑generasjons databrikke som er i stand til å bytte mellom flere beregningsoppgaver bare ved å endre sin kjemiske sammensetning. Det nye designet tar inspirasjon fra den menneskelige hjernen, og åpner døren for fremtidige AI‑systemer som ikke bare lærer, men er innebygd med kunnskap. Her er det du trenger å vite.

Å låse opp fremtiden for databehandling krever litt utenfor‑boksen‑tenkning. Når brikker når den teoretiske grensen for sine design, må nye tilnærminger konfigureres for å fortsette å presse den beregningskraften fremover.

Chip Manufacturing

Når det gjelder å utvikle raskere og mindre brikker for å drive neste generasjons elektroniske enheter, anses silisium som det ledende alternativet. Dette rikelige, billige halvlederen gir akseptabel ladningsmobilitet, noe som gjør det mulig å fungere både som isolator og leder når det kombineres med andre materialer og en strøm påføres.

I tillegg kan oksidert silisium (silika) dyrkes i tynne lag som støtter flerlags kretsdesign. Denne egenskapen har gjort det ideelt for bruk i dagens mikro‑ og nanoelektronikk. Imidlertid finnes det noen alvorlige ulemper ved dette materialet.

Silisiumprosesser kan være skadelige for miljøet på grunn av de involverte kjemikaliene. I tillegg er det begrenset i sin evne til å huse nanoelektronikk. Enheter med en gate‑lengde under 7 nm kan oppleve mye interferens. Disse forstyrrelsene kan oppstå av mange grunner, inkludert signallekkasje og kvantetunnelering.

Nanoelectronics

Nanoelektronikk er neste steg i miniaturisering. Disse enhetene, som måler under 100 nm, er så små at de er mer utsatt for kvantemekanikk enn tradisjonell fysikk. Disse interaksjonene kan føre til grensesnittendringer og andre ikke‑lineære responser på grunn av kompleksiteten ved drift i denne skalaen.

Neuromorphic Computing

Når du krymper en krets til nanoskala, blir det ekstremt vanskelig å stole på mekaniske prosesser for å utføre oppgaver. Derfor har ingeniører vendt seg mot nevromorfiske databehandlingsalternativer for å lagre informasjon og utføre beregninger. Disse enhetene er basert på hjernen din.

Nevromorfiske datamaskiner bruker oksidmaterialer og filamentær switching for å fullføre beregningsoppgaver. Denne strukturen krymper ganske enkelt den nåværende tilnærmingen til databehandling for å etterligne læring. Denne strategien er forskjellig fra å lage en enhet som iboende har data som en del av sin naturlige struktur.

Som følge av dette har forskere lagt ned mye arbeid i å skape et avansert materiale som er i stand til å lagre, beregne og tilpasse seg data uten å endre sin fysiske overflate. Imidlertid har kompleksiteten ved å lage en slik struktur unngått oppdagelse.

Molecular Electronics

Dette ønsket om å skape enda mindre maskiner med større allsidighet førte molekylære elektronikkingeniører til å forsøke å dokumentere atominteraksjoner og kvantehandlinger med det endelige målet å kunne forutsi disse resultatene med høy nøyaktighet.

Imidlertid virket denne oppgaven umulig. Det var inntil denne måneden, da et team av forskere publiserte en banebrytende studie som demonstrerte hvordan de pålitelig kunne forutsi og kontrollere disse handlingene.

Reconfigurable Computers Study

Ingeniører og forskere ved Centre for Nano Science and Engineering (CeNSE) i India har nettopp skrevet om håndboken for molekylær elektronikk med studien «Molecularly Engineered Memristors for Reconfigurable Neuromorphic Functionalities¹».

Kilde – Advanced Materials

Artikkelen samler nylige fremskritt innen elektrisk, kjemisk og fysisk ingeniørkunst for å skape nanoskalade enheter som kan justere sin kjemiske sammensetning for å tjene flere roller, inkludert som minneenheter, logiske porter, prosessorer eller elektroniske synapser.

Adaptable Molecular Devices

Studiets suksess viser hvordan kjemi kan gjøre mer enn bare støtte beregningsaktiviteter – den kan levere dem. Denne tilpasningsevnen gjør også at den samme enheten kan fungere både som minne‑ og beregningsenhet uten å legge til materiale eller endre sin fysiske form.

Predictive Framework

Et av de første stegene ingeniørene måtte ta var å lage en metode for å forutsi hvordan de kjemiske endringene ville påvirke elektrisk transport. Spesielt utviklet de en kvante‑kjemisk modelleringsalgoritme som nøyaktig kunne spore molekyler mens de beveget seg gjennom filmen.

Algoritmen inkluderte mange andre relevante data, inkludert hvordan oksidasjon og reduksjon påvirket hvert molekyl og hvordan de interagerte i forhold til den overordnede molekylære matrisen. Disse dataene ble deretter brukt til å bestemme den samlede stabiliteten til molekylene, og registrerte eventuelle motionskift i sanntid.

Ingeniørene, bevæpnet med sin prediktive algoritme, begynte å bruke bryteradferden for å forutsi hvordan man kan transformere en enkelt enhet fra lagring til beregningsaktiviteter og mer. Algoritmen gjør det mulig for ingeniørene å presist justere det lokale molekylære miljøet og intermolekylære interaksjoner ved bruk av organiske ruthenium‑komplekser.

Memristive Responses

Ved å bruke algoritmen til å lede innsatsen, klarte teamet å programmert modulere en enkelt krets. Imponerende nok klarte de å oppnå flere modaliteter, inkludert digital, analog, binær og ternær minne.

For å gjennomføre denne oppgaven måtte de justere ligandene og ionene som omgir ruthenium‑molekylene. Denne tilpasningsevnen ble utvidet til å inkludere ulike ledningsevnevner som dynamisk rekonfigurerer solid‑state‑enhetens evner.

Sveip for å rulle →

Reconfigurable Computers Test

For å teste teorien måtte forskerne lage spesialbygde ruthenium‑komplekser. De konstruerte vellykket 17 av dem for denne studien, noe som gjorde dem i stand til å overvåke minimale endringer i molekylkonfigurasjonen og ioninnstillinger.

Enhetsfremstillingen ble ledet av Pallavi Gaur. Gaur rapporterte at enheten kunne skifte mellom lagring, beregning og rekonfigurasjon uten materialendringer. Denne evnen gjør enheten langt nærmere hvordan hjernen din fungerer, og driver nevromorfisk databehandlingsvitenskap fremover.

Reconfigurable Computers Test Results

Testresultatene bekreftet ingeniørenes teori om at det er mulig å kombinere minne og beregning i samme materiale. Det demonstrerte også hvordan kjemi kan brukes til å utføre beregninger og ikke bare supplere de aktive komponentene i en enhet. Følgelig samler dette arbeidet nanodatabehandling og kjemisk ingeniørteknologi for å åpne døren til mindre og kraftigere kvanteenheter.

Reconfigurable Computers Benefits

Studien om rekonfigurerbare datamaskiner gir flere fordeler til markedet. For det første åpner den døren for nanoskalade elektronikk på en ny skala. Tidligere kunne disse enhetene kun lages så små før all pålitelighet gikk tapt. Det faktum at de hadde bevegelige deler gjorde det umulig å fastslå deres operabilitet på nanoskalering.

Den nye tilnærmingen gjør det mulig for en solid‑state‑enhet å utføre flere beregningsoppgaver, som å fungere som et minneelement, en logisk port, en velger, en analog prosessor eller en elektronisk synapse. Denne fleksibiliteten vil hjelpe fremtidige ingeniører med å designe mer kapable og lette enheter.

Less Interference

Denne strukturen reduserer også interferens forårsaket av kvantetunnelering og andre problemer når man diskuterer molekylskala‑enheter. Jo mindre en enhet er, desto mer interferens fra eksterne kilder kan påvirke den. Når du kombinerer dette med miniaturiseringen av enheter, er det lett å forstå hvorfor denne tilnærmingen anses som en spillveksler av de fleste.

Added Conductance

En annen stor fordel er økt ledningsevne. Ren silisium er verken en god leder eller isolator. Derfor krever det at andre stoffer og kjemikalier blandes inn for å forbedre ytelsen. Dette nye designet gir mer pålitelighet og kan støtte langt høyere ledningsevne. Spesielt registrerte forskerne en forbedring på seks størrelsesordener.

Reconfigurable Computers: Real-World Applications & Timeline

Flere anvendelser for rekonfigurerbare datamaskiner kan bidra til å gjøre livet enklere for millioner av mennesker. For det første vil de til slutt bli brukt i AI‑applikasjoner. AI‑systemer krever enorme mengder data som skal overføres innen enheter og referanser.

For øyeblikket er det et minimal gap mellom beregningslogikk og minne, noe som fører til en forsinkelse. Etter hvert som beregningene øker, blir denne forsinkelsen større, noe som resulterer i tregere databehandling. Denne tilnærmingen vil eliminere behovet for å skille logikk, minne og andre kjerneoppgaver, og gjør det mulig for en enkelt enhet å umiddelbart konvertere til hver når det trengs.

Next-Gen Medical Devices

Det medisinske feltet er et annet område hvor denne teknologien kan gjøre en stor forskjell. Implanter og andre interne enheter kan gjøres mindre og med færre bevegelige deler. Denne tilnærmingen vil gjøre dem mindre påtrengende og gi plass til ekstra beregningskraft ved behov.

Reconfigurable Computers Timeline

Det kan ta 7–10 år før du møter en rekonfigurerbar datamaskin. Disse enhetene vil først dukke opp i større AI‑systemer, og bidra til å redusere driftskostnadene og forbedre effektiviteten. Det gjenstår imidlertid mye testing og utvikling, samt å finne en egnet produsent som kan fremstille disse enhetene i stor skala.

Reconfigurable Computers Researchers

Studien om rekonfigurerbare datamaskiner ble satt sammen av et team av forskere ved Indian Institute of Science. Studien ble ledet av assisterende professor ved Centre for Nano Science and Engineering (CeNSE), Sreetosh Goswami.

Molekylsyntesedelene av studien ble fullført av Pradip Ghosh, Ramanujan‑stipendiat, og Santi Prasad Rath. Artikkelen nevner også Shayon Bhattacharya, Lohit T, Harivignesh S og Damien Thompson som bidragsytere.

Reconfigurable Computers Future

Forskerne har en utfordrende oppgave foran seg. For øyeblikket utforsker de hvordan de kan integrere denne teknologien i dagens CMOS‑brikkefremstillingsstrategier. Deres overordnede mål er å lage enheter som har intelligens innebygd fra starten av, og dermed forbedre ytelse, stabilitet og effektivitet.

Investing in the Compute-in-Memory Field

Det finnes flere selskaper i brikkefremstillingssektoren som representerer interessante investeringsmuligheter. Disse firmaene har opplevd økende etterspørsel etter sine innovative produkter ettersom AI og andre kraftige beregningssystemer fortsetter å bli normen. Her er en produsent som har holdt seg i front av brikkefabrikkteknologi.

GSI Technology (GSIT)

Selv om studien ovenfor fremhever fremtiden for molekylær databehandling, kommersialiserer GSI Technology i dag den silisiumbaserte versjonen av dette konseptet. GSI er utvikleren av Associative Processing Unit (APU), en teknologi som fundamentalt endrer hvordan datamaskiner behandler data ved å utføre beregninger direkte på stedet i minnearrayet – et konsept kjent som «Compute‑in‑Memory» (CIM).

Denne arkitekturen adresserer den samme «von Neumann‑flaskehalsen» som nevnes i studien (forsinkelsen forårsaket av å skille logikk og minne). Ved å eliminere behovet for å flytte data frem og tilbake mellom prosessor og RAM, leverer GSI sin Gemini® APU massiv akselerasjon for AI‑ og søkearbeidsbelastninger.

Nylige tester validert av Cornell University bekreftet at GSI‑s APU kan matche ytelsen til topp‑GPUer (som NVIDIA A6000) for spesifikke AI‑oppgaver, samtidig som den bruker omtrent 98 % mindre energi.

GSI Technology har hovedkontor i Sunnyvale, California, og er notert på NASDAQ. Dens strålingsharde minneprodukter er allerede en fast del i luft‑ og romfarts‑ og forsvarssektorene, og gir en stabil inntektsbase mens de lanserer sine banebrytende AI‑brikker for det bredere markedet.

De som søker en nordamerikansk notert «ren satsning» på fremtiden for minne‑sentral databehandling bør undersøke GSI Technology. Den representerer en praktisk bro mellom tradisjonell silisium og den «innebygde intelligens»-fremtiden som forskerne ser for seg.

Latest GSI Technology (GSIT) News and Performance

Reconfigurable Computers | Conclusion

Evnen til å lage rekonfigurerbare datamaskiner endrer alt. I fremtiden kan enhetene dine bli superpålitelige og holdbare ettersom alle bevegelige deler erstattes med kjemiske interaksjoner. I tillegg åpner denne evnen døren for mye mindre og mer komplekse design som ikke er avhengige av mekaniske komponenter, men snarere organiske kjemiske reaksjoner.

Alle disse faktorene og mer gjør studien om rekonfigurerbare datamaskiner til en spillveksler med potensial til å innlede en ny æra av databehandling og AI‑integrasjon. Derfor er det stor interesse for dette arbeidet. Foreløpig vil teamet fokusere på å strømlinjeforme produksjonsprosesser og redusere produksjonskostnader og kompleksitet.

Lær om andre spennende beregningsutviklinger her.

References

^{1. Gaur, P., Kundu, B., Ghosh, P., Bhattacharya, S., T, L., S, H., Rath, S. P., Thompson, D., Goswami, S., & Goswami, S. Molecularly Engineered Memristors for Reconfigurable Neuromorphic Functionalities. Advanced Materials, e09143. https://doi.org/10.1002/adma.202509143}