Вычисления на основе... мозга? Графеновые мемристоры в биомиметрических ЭВМ.

Графеновые мемристоры открывают двери для биомиметических вычислений. 

Вместе с замедлением прогресса в традиционных вычислениях вследствие приближения к теоретическому порогу миниатюризации электроники (которая, по сути, уже давно перешла из микро-величин в область нано-размерности), на передний план выходят новые формы вычислений. Поскольку межатомное расстояние составляет всего 0,3 нм, дальнейшее уменьшение размеров кремниевых компонентов влечёт за собой препятствия, обусловленные изменением физических свойств полупроводников. А именно – появлением квантовых условий: в столь малых размерах электрон ведёт себя не как частица, а как волна. Но элементная база традиционной электроники к такому не готова, поэтому понятия «квантовый компьютер», «квантовые вычисления» и другие похожие – это не просто модные «умные слова» об очередном улучшении технологии – это просто совершенно другая, новая технология, в основе которой лежат (только вдумайтесь!) ещё не изученные должным образом явления и процессы. Можно даже сказать (пусть и с некоторой натяжкой), что поиски «квантового грааля» вычислений двигают вперёд квантовую физику как науку. Но это столь обширная тема, что лучше подойдёт для отдельной статьи.

А сегодня речь пойдёт о других перспективных направлениях выхода из грядущего кризиса электроники, угрожающего нам не просто остановкой на существующем уровне технологий после почти пяти десятилетий неустанного роста, но и тотальным их удорожанием вследствие оттока капитала из науки, промышленности и других областей, связанных с этой сферой.

Итак, по мере приближения к пределам цифровых вычислений, возрастала и потребность в высокоскоростной обработке данных, например – изображений для беспилотных авто. Распространение больших данных – также неотъемлемая часть успешного и своевременного распознавания образов, лежащего в основе ИИ автопилота. И тут есть типы распознавания, для которых особенно хорошо подходит архитектура мозга.

«У нас есть мощные компьютеры, в этом нет никаких сомнений, проблема в том, что вы должны хранить память в одном месте, а вычисления выполнять в другом», – считает Саптарши Дас, доцент кафедры технических наук и механики Государственного Университета Пенсильвании, США.

Поэтому возглавляемая им команда инженеров работает над созданием вычислений, называющихся биомиметрическими вследствие подражания принципам живой природы: они хотят использовать эффективность мозга через имитацию аналоговости живых нейронных сетей.

По словам Саптарши Даса, руководителя группы, нейроморфные (или мозговые) вычисления изучаются более 40 лет. Но современные вычисления являются цифровыми и строятся на одном из двух состояний: «включено-выключено» или «единица и ноль». Аналоговый же компьютер, как и мозг, может иметь целое множество различных состояний. Эту разницу можно проиллюстрировать на способе освещения: в одном помещении у вас есть только два варианта – собственно, включение и выключение лампы, – а в другом – вы можете управлять степенью освещённости с помощью переменного резистора (диммера), а не простого выключателя.

Как раз возможности подобного поведения и являются главным движущим фактором в стремлении к нейроморфным вычислениям. Так, применительно к вышеприведённому примеру о распознавании изображений автопилотом, в традиционных системах перемещение данных из памяти в логику и обратно отнимает много энергии, снижает конечную скорость вычислений, да и самой архитектуре этой требуется немало места. А вот если бы вычисления и память располагались в одном пространстве, как в мозге, то эти затратные факторы можно было бы устранить.

«Мы создаём искусственные нейронные сети, которые стремятся имитировать энергетическую и пространственную эффективность мозга, – поясняет Томас Шрангхамер, докторант группы Даса и первый автор недавно опубликованной статьи по проекту. – Мозг настолько компактен, что помещается на ваших плечах, в то время как современный суперкомпьютер занимает пространство размером с два или три теннисных корта».

Подобно соединяющим нейроны синапсам, поддающимся настройке, искусственные нейронные сети, сконструированные командой, можно перенастроить, приложив кратковременное электрическое поле к листу графена – слою атомов углерода толщиной в один атом. Чтобы в своих изделиях установить наличие мемристических механизмов переключения, отличных от образования и деградации проводящих нитей в оксиде традиционных мемристоров(или «резисторов памяти», называемых так вследствие их свойства запоминать количество протекавшего по ним электрического заряда даже после выключения), инженерами была выполнена проверка посредством серии программирующих импульсов. В результате, в отличие от всего лишь двух возможных состояний памяти в большинстве оксидных мемристоров, новая разработка учёных демонстрирует по крайней мере восьмикратное превосходство: это 16 возможных вариантов проводимости!

Поскольку время программирования является жизненно важным фактором для памяти любой формы, были также проведены эксперименты, направленные на определение критичного времени, необходимого для максимизации разницы в проводимости между различными её состояниями. Последовательные положительные и отрицательные импульсы записи в 5 В с различными длительностями снимались постоянным напряжением чтения 10 мВ, что позволило извлечь значения проводимости после каждого импульса записи. Оказалось, что минимальное изменение проводимости наблюдалось для разностных времён импульса, данные о прошедшем сигнале надёжно сохранялись и устройство не так быстро изнашивалось как оксидные аналоги. Тем не менее, эксперимент демонстрирует способность программировать и стирать состояния проводимости в графене, просто применяя импульсы противоположной полярности, что делает его привлекательным для приложений энергонезависимой памяти.

«Мы показали, что можем с точностью управлять большим количеством состояний памяти, используя простые графеновые полевые транзисторы», – заключает Дас.

Основным преимуществом резистивных устройств памяти является их способность поддерживать несколько состояний памяти. При этом одно устройство охватывает несколько битов памяти и, следовательно, обладает более высокой плотностью хранения данных. Такое распределение может привести к разработке куда более эффективных и компактных устройств, которые придутся ко двору Интернету вещей, мобильным устройствам и высокоэффективным, но ресурсоёмким профессиональным приложениям. Тем не менее, хотя все мемристоры способны реализовать 1-битные ячейки памяти (с режимами проводимости лишь ВКЛ/ВЫКЛ), все ещё существуют значительные проблемы в построении мемристивных устройств, которые можно надёжно программировать на множество различных состояний проводимости.

Однако в сухом остатке выходит, что команда решила многие из них: создала ультратонкую резистивную память, способную достигать более 16 состояний памяти, обладающих необходимыми свойствами удержания и выносливости. Также можно настроить желаемые значения проводимости этих состояний посредством импульсов разного напряжения. А за счёт использования состояний проводимости в качестве вычислительных весов – ещё и обеспечивать выполнение операций. Кроме того, путём воплощения в кристалле, аналоговые мемристивные синапсы графена могут создавать кластеры, и эта перспектива продемонстрирована экспериментально.

Как раз то, с чего мы начали: хранение и обработка информации в одном месте.

Поэтому, как говорят исследователи, доведение их технологии до коммерческого уровня вполне возможно. А если учесть, что сейчас немало крупнейших полупроводниковых компаний стало активно заниматься изысканиями в сфере нейроморфных вычислений, то может даже и неизбежно. По крайней мере сам Саптарши Дас считает, что многие IT-корпорации сочтут разработку его команды инженеров как минимум интересной. С полной уверенностью можно сказать, что графеновые мемристоры помогут в разработке энергоэффективных, высокоточных, и в то же время малоразмерных нейроморфных вычислительных машин.

АРМК, по материалам Nature Communications