Традиционные компьютерные чипы приближаются к физическим пределам, а потребности искусственного интеллекта растут. Ожидается, что энергопотребление центров обработки данных для ИИ удвоится к концу десятилетия, и это вызывает вопрос о новом подходе к аппаратуре.
Учёные изучают нейроморфные вычисления — аппаратные системы, устроенные по образцу биологических нейронных сетей. Команда под руководством Сучи Гухи из University of Missouri разрабатывает синапсоподобные устройства на органических транзисторах, которые одновременно хранят и обрабатывают данные, в отличие от современных чипов с разделённой памятью и вычислениями.
Исследователи сравнили несколько органических материалов и выяснили, что ключевым фактором является интерфейс — тонкая граница между полупроводником и изолирующим слоем. Работа опубликована в ACS Applied Electronic Materials; соавторы — из Mizzou и Hamad Bin Khalifa University.
Сложные слова
- предел — крайнее физическое ограничение возможностей системыпределам
- энергопотребление — количество энергии, которое использует устройство или система
- нейроморфное вычисление — вычисления по образцу мозга и нейронных сетейнейроморфные вычисления
- синапсоподобный — похожий на синапс, соединение между нейронамисинапсоподобные
- органический транзистор — электронный переключатель из органического материалаорганических транзисторов
- интерфейс — тонкая граница между двумя слоями материалов
- память — хранение информации в устройстве или системепамятью
- аппаратура — оборудование и технические устройства для работыаппаратуре
Подсказка: наведите, сфокусируйтесь или нажмите на выделенные слова, чтобы увидеть краткие определения прямо во время чтения или прослушивания.
Вопросы для обсуждения
- Какие преимущества могут дать устройства, которые одновременно хранят и обрабатывают данные?
- Какие задачи, по вашему мнению, помогут решить нейроморфные вычисления?
- Почему, по‑вашему, интерфейс между слоями материалов важен для работы таких устройств?
Похожие статьи
Учёные сохраняют безопасность больших языковых моделей
Исследователи из North Carolina State University изучили, как улучшить безопасность больших языковых моделей. Они предложили метод замораживания критичных нейронов при донастройке, чтобы уменьшить опасные ответы и не потерять качество работы модели.
