Rekonfigurerbara datorer som fungerar som din hjärna

Ingenjörer vid Indian Institute of Science har nyligen avslöjat en nästa generations datorchip som kan växla mellan flera beräkningsuppgifter enbart genom att ändra sin kemiska sammansättning. Den nya designen tar inspiration från den mänskliga hjärnan och öppnar dörren för framtida AI-system som inte bara lär sig utan kommer med inbyggd kunskap. Här är vad du behöver veta.

Att låsa upp framtidens datorkraft kräver lite utanför-boxen-tänkande. När chip når den teoretiska gränsen för sin design måste nya tillvägagångssätt konfigureras för att fortsätta driva beräkningskraften framåt.

Chip-tillverkning

När det gäller att utveckla snabbare och mindre chip för att driva nästa generations elektroniska enheter ses kisel som det ledande alternativet. Detta rikliga, billiga halvledarmaterial ger acceptabel bärarmobilitet, vilket gör att det kan fungera som både isolator och ledare när det kombineras med andra material och en ström appliceras.

Dessutom kan oxiderat kisel (kiseldioxid) odlas i tunna skikt som stöder flerskiktade kretsdesigns. Denna förmåga har gjort det idealiskt för användning i dagens mikro- och nanoelektronik. Det finns dock några allvarliga nackdelar med detta material.

Kiselbearbetning kan vara skadligt för miljön på grund av de kemikalier som är inblandade. Dessutom är det begränsat i sin förmåga att hysa nanoelektronik. Enheter med en gatlängd under 7 nm kan uppleva mycket störningar. Dessa avbrott kan inträffa av många anledningar, inklusive signalläckage och kvanttunnelering.

Nanoelektronik

Nanoelektronik är nästa steg i miniatyrisering. Dessa enheter, som mäter under 100 nm, är så små att de är mer känsliga för kvantmekanik än traditionell fysik. Dessa interaktioner kan leda till gränssnittsförändringar och andra icke-linjära responser på grund av komplexiteten i att operera på denna skala.

Neuromorf datorkraft

När man krymper en krets till nanoskalan blir det extremt svårt att förlita sig på mekaniska processer för att utföra uppgifter. Därför har ingenjörer vänt sig mot neuromorfa datorkraftsalternativ för att lagra information och utföra beräkningar. Dessa enheter är baserade på din hjärna.

Neuromorfa datorer använder oxidmaterial och filamentär omkoppling för att slutföra beräkningsuppgifter. Denna struktur krymper helt enkelt ner det nuvarande tillvägagångssättet för datorkraft för att efterlikna inlärning. Denna strategi skiljer sig från att skapa en enhet som inneboende kommer med data som en del av sin naturliga struktur.

Följaktligen har forskare lagt ner mycket ansträngning på att skapa ett avancerat material som kunde lagra, beräkna och anpassa sig till data utan att ändra sin fysiska yta. Men komplexiteten i att skapa en sådan struktur har undgått upptäckt.

Molekylär elektronik

Denna önskan att skapa ännu mindre maskiner med mer mångsidighet ledde molekylära elektronikingenjörer att försöka dokumentera atomära interaktioner och kvantåtgärder med det slutliga målet att kunna förutsäga dessa utfall med stor noggrannhet.

Denna uppgift verkde dock omöjlig. Det var tills förra månaden, när ett team av forskare släppte en banbrytande studie som demonstrerade hur de kunde förutsäga och kontrollera dessa åtgärder på ett tillförlitligt sätt.

Rekonfigurerbara datorer-studie

Ingenjörer och forskare vid Centre for Nano Science and Engineering (CeNSE) i Indien har precis skrivit om handboken för molekylär elektronik med studien “Molecularly Engineered Memristors for Reconfigurable Neuromorphic Functionalities¹”.

Källa – Advanced Materials

Artikeln sammanför senaste framsteg inom elektrisk, kemisk och fysisk teknik för att skapa enheter på nanoskala som kan justera sin kemiska sammansättning för att tjäna flera roller, inklusive som minnesenheter, logiska grindar, processorer eller elektroniska synapser.

Anpassningsbara molekylära enheter

Studiens framgång hjälper till att demonstrera hur kemi kan göra mer än att stödja beräkningsaktiviteter – den kan tillhandahålla dem. Dessutom möjliggör denna anpassningsbarhet att samma enhet fungerar som både minne och beräkningsenhet utan att lägga till material eller ändra sin fysiska form.

Prediktivt ramverk

Ett av de första stegen ingenjörerna behövde ta var att skapa ett sätt att förutsäga hur de kemiska förändringarna skulle påverka elektrisk transport. Specifikt utvecklade de en kvantkemisk modelleringsalgoritm som kunde spåra molekyler noggrant när de färdades genom filmen.

Algoritmen inkluderade mycket annan relevant data, inklusive hur oxidation och reduktion påverkade varje molekyl och hur de interagerade i förhållande till den övergripande molekylära matrisen. Denna data användes sedan för att bestämma molekylernas övergripande stabilitet, och registrerade eventuella motjonsskiften i realtid.

Ingenjörerna, beväpnade med sin prediktiva algoritm, började använda omkopplingsbeteendet för att förutsäga hur man skulle omvandla en enskild enhet från lagring, beräkningsaktiviteter och mer. Algoritmen gör det möjligt för ingenjörerna att exakt ställa in den lokala molekylära miljön och intermolekylära interaktioner med hjälp av organiska ruteniumkomplex.

Memristiva responser

Genom att använda algoritmen som vägledning lyckades teamet programmeringsmässigt modulera en enskild krets. Imponerande nog kunde de uppnå flera modaliteter, inklusive digitalt, analogt, binärt och ternärt minne.

För att utföra denna uppgift var de tvungna att justera ligander och joner som omger ruteniummolekylerna. Denna anpassningsbarhet utvidgades till att inkludera olika konduktansvärden som dynamiskt omkonfigurerar den fasta tillstånds-enhetens kapacitet.

Svep för att bläddra →

Rekonfigurerbara datorer-test

För att testa sin teori var forskarna tvungna att skapa specialbyggda ruteniumkomplex. De lyckades konstruera 17 för denna studie, vilket gjorde det möjligt för dem att övervaka minimala förändringar i molekylkonfigurationen och joniska inställningar.

Enhetstillverkningen leddes av Pallavi Gaur. Gaur rapporterade att enheten kunde växla mellan lagring, beräkning och omkonfigurering utan materialförändringar. Denna kapacitet gör denna enhet mycket närmare hur din hjärna fungerar, och driver neuromorf datorkraft framåt.

Rekonfigurerbara datorer-testresultat

Testresultaten bekräftade ingenjörernas teori att det är möjligt att kombinera minne och beräkning inom samma material. Det demonstrerade också hur kemi kan användas för att utföra beräkningar och inte bara komplettera enhetens aktiva komponenter. Följaktligen förenar detta arbete nanoberäkning och kemiteknik för att öppna dörren för mindre och kraftfullare kvantenheter.

Rekonfigurerbara datorer-fördelar

Det finns flera fördelar som studien om rekonfigurerbara datorer för med sig till marknaden. För det första öppnar den dörren för nanoelektronik på en ny skala. Tidigare kunde dessa enheter bara skapas så små innan all tillförlitlighet gick förlorad. Det faktum att de hade rörliga delar gjorde det omöjligt att bestämma deras funktionsduglighet på nanoskalan.

Detta nya tillvägagångssätt gör det möjligt för en fasta tillstånds-enhet att utföra flera beräkningsuppgifter, såsom att fungera som ett minneselement, en logisk grind, en selektor, en analog processor eller en elektronisk synaps. Denna flexibilitet kommer att hjälpa framtida ingenjörer att designa mer kapabla och lätta enheter.

Mindre störningar

Denna struktur minskar också störningar orsakade av kvanttunnelering och andra problem när man diskuterar enheter på molekylär skala. Ju mindre en enhet är, desto mer kan störningar från externa källor påverka den. När man kombinerar detta faktum med miniatyriseringen av enheter är det lätt att se varför detta tillvägagångssätt anses vara en spelväxlare av de flesta.

Extra konduktans

En annan stor fördel är extra konduktans. Rent kisel är inte en bra ledare eller isolator. Därför kräver det att adjektiv och andra kemikalier blandas in för att förbättra prestandan. Denna nya design ger mer tillförlitlighet och kan stödja mycket mer konduktans. Specifikt registrerade forskare en förbättring med sex storleksordningar.

Rekonfigurerbara datorer: Verkliga tillämpningar & Tidslinje

Flera tillämpningar för rekonfigurerbara datorer skulle kunna hjälpa till att göra livet lättare för miljontals människor. För det första kommer de i slutändan att användas i AI-applikationer. AI-system kräver att enorma mängder data överförs inom enheter och referenser.

För närvarande finns ett minimalt gap mellan beräkningslogik och minne, vilket resulterar i en fördröjning. När beräkningarna ökar blir denna fördröjning större, vilket resulterar i långsammare datorkraft. Detta tillvägagångssätt skulle eliminera behovet av att separera logik, minne och andra kärnuppgifter, vilket gör det möjligt för en enskild enhet att omedelbart konvertera till varje när det behövs.

Nästa generations medicinska enheter

Det medicinska området är ett annat område där denna teknik skulle kunna göra en stor skillnad. Implantat och andra interna enheter skulle kunna göras mindre och med färre rörliga delar. Detta tillvägagångssätt skulle göra dem mindre invasiva och ge utrymme för ytterligare beräkningskraft om det behövs.

Rekonfigurerbara datorer-tidslinje

Det kan ta 7–10 år innan du stöter på en rekonfigurerbar dator. Dessa enheter kommer först att dyka upp i större AI-system, vilket hjälper till att minska deras driftskostnader och förbättra effektiviteten. Men det finns fortfarande mycket testning och utveckling som måste ske, tillsammans med att hitta en lämplig tillverkare som kan till