随着AI浪潮的兴起，神经网络等先进技术在图像识别、大数据处理、金融分析等领域得到了广泛的应用。然而，晶体管构建的传统计算系统所带来的瓶颈，使得训练它们需要大量的计算资源和能源消耗，尤其是海量的记忆数据存储需要持续的电力供应才能保持，这进一步增加了能源消耗，也给此类技术的大规模发展带来了挑战。
而忆阻器，这种即使在电源关闭后也能“记住”之前的电状态的开关，是一种很好的替代解决方案。最近，新加坡科技设计大学的研究团队开发了一种由锗、碲和锑组成的独特材料制作的忆阻器，他们使用这种新的忆阻器设计进行了神经网络训练，并取得了良好的效果。
忆阻器结构和原理
据了解，这种材料以非晶相存在，但当暴露于电流和温度变化时，它会表现出有序的结晶区域。根据脉冲的特性(例如其强度和信号形状)，这些区域的数量和大小会发生变化，从而影响材料的电学和光学特性，这些特性在电流关闭后仍然保留。这样，可以通过重复施加电流将信息记录在忆阻器中并从忆阻器中读取信息。
具体来说，在这种忆阻器中可以创建十五个明显可区分的结晶阶段，每个阶段都能对应于训练神经网络所需的特定信息。在试验中，研究团队使用这种忆阻器来模拟神经网络，其神经网络识别手写数字的准确率超过96%。该团队表示，这种精度比其他忆阻器设计提高了5%以上。
手写数字识别分类
据悉，忆阻器非常适合构建神经网络、用于医疗扫描处理的人工智能系统以及实现无人驾驶车辆，而这种新型忆阻器可能会为我们带来更小、更强大、更节能的设备，不过，在将这项技术应用于现实世界的计算系统之前，仍然需要克服许多障碍，其中系统集成和规模是其发展的主要难题，这也是研究团队下一步的研究方向——开发完全集成电路和大型神经网络。
最前沿的电子设计资讯
