Результаты работы опубликованы 9 марта в журнале Nature Nanotechnology.
Устранение главного узкого места вычислений
Большинство современных компьютеров используют архитектуру, где память и процессоры разделены. Из-за этого данные постоянно перемещаются между ними, что требует времени и энергии. По мере роста моделей ИИ такое перемещение становится серьёзным узким местом.
Команда под руководством профессора электротехники и компьютерной инженерии Duygu Kuzum из инженерной школы Jacobs School of Engineering предложила альтернативу: аппаратную систему, где хранение и обработка информации происходят в одном физическом слое.
Этот подход относится к области нейроморфных вычислений — направления, стремящегося создавать вычислительные системы, вдохновлённые принципами работы мозга.
Материал с «памятью»
Основой платформы стал квантовый материал неодим-никелат, разновидность перовскит-никелатов. Его особенность заключается в необычных электронных свойствах.
Когда в материал вводятся ионы водорода, они образуют микроскопические облака под металлическими электродами. Под действием электрических импульсов ионы перемещаются, изменяя электрическое сопротивление материала.
Это создаёт поведение, напоминающее кратковременную и долговременную память:
- краткосрочная информация хранится в динамике водородных ионов;
- долговременная — в программируемых элементах сети.
Коллективное обучение вместо отдельных нейронов
В отличие от многих нейроморфных систем, которые пытаются имитировать отдельные нейроны или синапсы, новая платформа делает ставку на коллективное взаимодействие элементов.
Все вычислительные узлы физически связаны через общий материал. Активность одного узла влияет на соседние, создавая распределённую динамику по всей сети.
По словам первого автора исследования Yue Zhou, такая связь напоминает взаимодействие нейронов через ионную среду мозга, где сигналы распространяются и изменяют активность соседних клеток.
Пространственно-временные вычисления
Система обрабатывает данные с помощью подхода пространственно-временных вычислений.
Процесс выглядит так:
- входные сигналы преобразуются в электрические импульсы;
- сеть узлов формирует сложные динамические паттерны;
- второй слой программируемых соединений анализирует эти паттерны и выполняет классификацию.
Таким образом, система учитывает как временную динамику сигналов, так и пространственные взаимодействия внутри сети.
Тесты: речь и эпилепсия
Исследователи протестировали платформу в двух задачах:
- распознавание произнесённых цифр;
- раннее обнаружение эпилептических приступов по сигналам электроэнцефалограммы.
В обоих случаях система показала более высокую точность по сравнению с методами, анализирующими только временную структуру сигналов.
Особенно интересным оказался тест с ЭЭГ: сеть могла выявлять признаки приближающегося приступа по нескольким секундам данных, поскольку слабые сигналы с разных каналов усиливались коллективной динамикой сети.
Наносекундная скорость и минимальная энергия
Аппаратная система работает в масштабе сотен наносекунд и требует примерно 0,2 наноджоуля энергии на операцию.
Такая эффективность делает технологию перспективной для периферийного ИИ (edge AI) — устройств, которые должны обрабатывать данные локально:
- носимых медицинских мониторов;
- умных сенсоров;
- аудиосистем;
- автономных машин.
Следующий шаг — масштабирование
Пока технология находится на раннем этапе развития. Аппаратные демонстрации проводились на небольших задачах, тогда как более сложные сценарии тестировались в симуляциях.
Следующие этапы исследований включают:
- масштабирование архитектуры;
- интеграцию с традиционной полупроводниковой электроникой;
- расширение спектра приложений.
Если эти задачи удастся решить, нейроморфные системы могут стать новым классом энергоэффективных вычислительных устройств, способных дополнять или частично заменить традиционные процессоры в системах искусственного интеллекта.
Источник: https://techxplore.com/news/2026-03-brain-device-faster-energy-efficient.html
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
