Созданы эффективные мемристоры для нейроморфного ИИ |
||
|
МЕНЮ Главная страница ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ Атаки на ИИ Внедрение ИИИИ теория Компьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Промпты. Генеративные запросы Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2026-11-19 14:48 Исследователи из МФТИ и НИЦ «Курчатовский институт» совместно с коллегами разработали мемристоры на основе полимера с наночастицами теллурида цинка. Устройства способны переключаться менее чем за 10 наносекунд, потребляя на сам процесс переключения около 6 пикоджоулей энергии. Разработка может стать основой для создания энергоэффективных нейроморфных систем, способных обрабатывать информацию по принципам, схожим с работой человеческого мозга. Результаты исследования представлены в статье для научного журнала Nanoscale. Современные системы искусственного интеллекта требуют значительных вычислительных ресурсов и энергозатрат. В традиционных компьютерах информация постоянно передается между процессором и памятью. Такие операции замедляют обработку данных и увеличивают энергопотребление, особенно при работе с большими нейронными сетями. Мемристоры – электронные устройства, способные изменять свое сопротивление под действием электрического напряжения и сохранять полученное состояние после его отключения. Благодаря этому они могут одновременно хранить и обрабатывать информацию. Использование мемристоров в нейронной сети является перспективным решением. Подобный принцип работы позволяет создавать нейроморфные системы, в которых вычисления организованы по аналогии с передачей сигналов между нейронами человеческого мозга. В перспективе такие системы снизят затраты на энергию, потребляемую задачами искусственного интеллекта и робототехники. Практическое применение мемристоров ограничивает нестабильность их характеристик. Даже одинаковые устройства могут переключаться при разных напряжениях, а параметры одного мемристора способны изменяться от цикла к циклу. Для нейронных сетей, где важна точность вычислений, значительные отклонения могут приводить к ошибкам. «Мы предложили добавление наночастиц цинка (ZnTe) в полимер парилен. При этом исследователи установили, какие физические и электрохимические процессы лежат в основе положительного влияния такой модификации. Материал получили по оригинальной методике криохимического осаждения из газовой фазы и разместили между двумя электродами – медным и изготовленным из оксида индия-олова. Наночастицы изменяют процесс образования проводящих путей внутри материала. При подаче напряжения ионы меди перемещаются в полимерном слое, формируя структуры, по которым может протекать электрический ток. Наночастицы ZnTe благодаря электрохимическим особенностям способствуют упорядоченному образованию этих путей, вследствие чего переключение становится более предсказуемым и повторяемым», – сообщил доцент кафедры нано-, био-, информационных и когнитивных технологий МФТИ Андрей Емельянов. Исследователи изготовили несколько партий устройств с различной концентрацией наночастиц и изучили их характеристики. Наилучшие результаты продемонстрировали образцы с содержанием ZnTe от 30% до 50%. Важно отметить возможность мемристоров сохранять несколько уровней электрического сопротивления. В зависимости от состава материала исследователи получили 14–16 устойчивых состояний. Это позволяет одному мемристору хранить больше информации, чем обычному бинарному цифровому элементу памяти. Дополнительной особенностью разработанных устройств стала чувствительность к свету. Показано, что свет может использоваться как дополнительный параметр для управления электрическими характеристиками устройства. Это свойство особенно перспективно для создания интеллектуальных сенсоров, способных не только регистрировать внешние сигналы, но и обрабатывать полученную информацию непосредственно в месте ее поступления. «Для оценки перспективности разработки нейронных сетей на основе исследуемого мемристора для задач искусственного интеллекта мы провели компьютерное моделирование с учетом экспериментально измеренных характеристик с их нестабильностью. Мы смоделировали резервуарную вычислительную систему, использующую фоточувствительные и электрические свойства устройств для распознавания рукописных цифр. Точность классификации составила 89,9%, что является конкурентоспособным результатом по сравнению с показателями аналогичных систем. Полученные результаты показывают потенциал разработанных устройств для применения в системах искусственного интеллекта для обработки визуальной информации», – сообщила Маргарита Рябова, аспирант МФТИ и лаборант-исследователь лаборатории технологий искусственного интеллекта НИЦ «Курчатовский институт». В дальнейшем такие устройства могут быть предназначены для решения задач искусственного интеллекта, включая распознавание образов и обработку визуальной информации. В работе участвовали специалисты Московского физико-технического института, НИЦ «Курчатовский институт», Института синтетических полимерных материалов им. Н.С. Ениколопова РАН, Московского государственного университета им. М.В. Ломоносова и Университета Сунь Ятсена (Китай). Информация предоставлена пресс-службой МФТИ Источник фото: yuyu2000 / 123rf.com Телеграм: t.me/ainewsline Источник: vk.com Комментарии: |
|