Специалисты из Университета Саутгемптона разработали усовершенствованную версию мемристора — электронного компонента, изменяющего электрическое сопротивление в зависимости от силы протекающего через него тока. Данное устройство способно быстро переключаться между 128 стабильными состояниями, что превышает показатели существующих аналогов в четыре раза. В случае успешной коммерциализации технология может стать фундаментом для создания компьютерной памяти и нейроморфных процессоров нового поколения. Мемристоры признаны ключевой технологией для разработки микросхем будущего, функционирование которых имитирует принципы работы человеческого мозга. Исследователи пишут, что для наилучшего подражания эти чипы должны быть полностью реконфигурируемыми, масштабируемыми и максимально эффективными насколько это возможно.

Основой структуры новых мемристоров являются несколько металл-оксидных двойных барьерных слоев, каждый из которых имеет отличные от других слоев электрические характеристики.

Совокупность этих нескольких слоев, вносящих свою долю в общую ионную проводимость устройства, и позволила расширить количество состояний одного мемристора до 128, что позволяет хранить в одной ячейке памяти на базе такого мемристора 6.5 бит информации.

Более того, со слов исследователей, мемристоры нового типа демонстрируют достаточно высокую стабильность, быстродействие и эффективность, т.е., для их функционирования требуется совсем незначительное количество энергии. В настоящее время создано несколько опытных образцов мемристоров нового типа.

Их характеристики из-за условий полукустарного производства, значительно отличаются от экземпляра к экземпляру, поэтому приводить сейчас какие-либо цифры совершенно бесмысленно. Но ученые считают, что разработка технологии промышленного производства, которая уже ведется в данное время, позволит увеличить повторяемость и уменьшить разброс характеристик отдельных устройств.

Для любознательных

Над памятью для нейроморфных процессоров следующего поколения сейчас действительно активно работают — и делают это сразу с нескольких сторон: крупные технокомпании, исследовательские центры и академические группы. Я подобрала основные направления и примеры, чтобы было понятнее.

Суть задачи в том, чтобы решить ключевую проблему классических архитектур: разделение памяти и вычислительных блоков ведёт к «бутылочному горлышку» — трате времени и энергии на постоянную пересылку данных. В нейроморфных системах цель — интегрировать память прямо в чип, а в идеале — сделать так, чтобы элементы памяти одновременно участвовали и в хранении, и в вычислениях (концепция in-memory computing). Поэтому фокус смещён на новые типы памяти, которые хорошо подходят для такой плотной интеграции.

Мемристоры

Суть: это компоненты, которые «запоминают» своё состояние даже без питания. Под действием тока их сопротивление меняется, и это изменение сохраняется. Ключевая фишка для нейроморфки: мемристоры отлично имитируют работу синапсов — они могут плавно менять «силу связи» (вес) между искусственными нейронами, что критично для обучения нейросетей прямо на чипе.

Почему это круто для нейроморфных систем:

• Позволяет реализовать концепцию in-memory computing: вычисления происходят прямо в массиве памяти, без постоянной пересылки данных между процессором и ОЗУ.
• Часто технологически совместимы с обычной КМОП-технологией (CMOS), что упрощает интеграцию в существующие производственные линии.
• В исследованиях активно ищут новые материалы (2D-материалы вроде PdSeOx/PdSe2, оксиды гафния и др.), чтобы улучшить характеристики: снизить энергопотребление, повысить стабильность и плотность размещения.

Спинтроника

Суть: здесь используют не заряд электрона, а его спин — внутреннее свойство, которое можно использовать для хранения и передачи информации. В спинтронике есть разные направления: магнитные туннельные переходы (MTJ), память на движении доменных стенок, структуры со скирмионами (топологическими квазичастицами) или антиферромагнитные материалы.

Почему это перспективно для нейроморфных задач:

• Такие устройства тоже энергонезависимы (сохраняют данные без питания) и при этом могут быть очень быстрыми и компактными.
• Некоторые спинтронные структуры естественным образом демонстрируют нелинейное поведение и эффекты, похожие на краткосрочную и долгосрочную память — это прямо перекликается с задачами нейроморфных вычислений.
• Есть примеры, когда спинтронные элементы (например, на основе гетероструктур CoO/Pt) успешно использовали для задач резервуарных вычислений (reservoir computing) — распознавания рукописных цифр и других паттернов.

Что выбрать?

Часто выбор зависит от конкретной задачи. Мемристоры сильнее в том, чтобы точно и плавно моделировать синаптическую пластичность — основу обучения нейросетей. Спинтроника же может предложить преимущества в плотности, скорости и устойчивости к внешним воздействиям (например, к радиации), что важно для специфических применений (космос, военная электроника).

Более того, в реальных прототипах иногда комбинируют подходы: например, объединяют мемристоры с CMOS-элементами или используют спинтронные структуры в гибридных схемах.

Так что сейчас главная задача исследователей — не выбрать что-то одно, а отработать технологии: добиться стабильности характеристик, решить проблемы масштабирования и найти оптимальные способы интеграции в сложные нейроморфные архитектуры.

Кто в игре:

• Intel. В рамках развития линейки Loihi (например, Hala Point) команда работает над тем, как гибко распределять и сжимать память внутри чипа, чтобы эффективнее размещать нейроны и синапсы. То есть речь не только о новом материале, но и о софтверно-аппаратной совместной разработке (co-design): как архитектура процессора «дружит» с тем, как и где хранятся данные.
• IBM. В проекте NorthPole компания продвигает архитектуру «память рядом с вычислениями» (memory-near-compute): вычислительные блоки тесно переплетены с блоками памяти, что минимизирует перемещение данных. При этом IBM исследует и аналоговые подходы — например, использует устройства на основе фазовой памяти (phase-change memory, PCM), где веса нейросетей хранятся в изменении проводимости материала.
• BrainChip (Австралия). Разрабатывает платформу Akida. В новых поколениях (Akida 2.0) компания добавляет конфигурируемые локальные области памяти (scratchpads), чтобы оптимизировать доступ к данным и снизить задержки. Также фокус на событийно-управляемых вычислениях: память активируется только при поступлении новых данных, что экономит энергию.
• Исследовательские группы и университеты. Здесь много экспериментов с принципиально новыми материалами. Например:
  • Команда профессора Шинхёна Чоя из KAIST (Южная Корея) создала низкопотребляющую фазовую память, которая потенциально может заменить DRAM и NAND-флеш в нейроморфных системах.
  • Учёные из Университета науки и технологий Китая (USTC) разрабатывают спинтронические устройства на антиферромагнитных материалах (AFM) — они демонстрируют свойства, похожие на кратковременную и долговременную память, и подходят для компактных нейроморфных систем.
  • В России над подобными технологиями работают в НИИ молекулярной электроники (в том числе при поддержке РАН), а также в связке с «Мотив НТ» и «Лабораторией Касперского» над процессором «Алтай». Ключевой интерес — мемристоры: элементы, сопротивление которых «помнит» историю прошедших токов, что позволяет эмулировать синапсы и совмещать хранение и обработку.

Какой тренд?

Сейчас в тренде гибридные и мультиматериальные решения. Не обязательно сразу отказываться от кремния: часто ищут способы органично встроить новые типы памяти (мемристоры, фазовую, спинтронику) в существующую КМОП-технологию. Параллельно идут работы над алгоритмами и средами разработки, которые умеют «понимать» особенности такой интегрированной архитектуры.