忆阻器是一种通过电阻水平保存信息的电子元件，与目前的图形处理单元相比，它可以将人工智能的能耗降低约90%，这一发现尤其重要，因为预计到2027年，人工智能将占全球总电力消耗的约0.5%，随着人工智能工具的普及，这一数字还可能继续增加。
而在近日，美国密西根大学的研究团队宣布了一项重大突破：他们开发出了第一款可调节弛豫时间的忆阻器。这项创新不仅可能改变人工智能处理时间相关信息的方式，如音频和视频数据，而且还会带来能源效率的巨大提升。
在生物神经网络中，计时是通过弛豫来实现的。每个神经元都会接收电信号并将其发送出去，但这并不保证信号会向前移动。神经元在发送自己的信号之前必须达到一定的输入信号阈值，并且必须在一定时间内达到该阈值。如果时间过长，电能会从神经元中渗出，神经元就会弛豫，在我们的神经网络中拥有不同弛豫时间的神经元有助于我们理解解码事件的顺序。
而对于目前的图形处理单元，它们的功能与驱动AI算法的人工神经网络截然不同，它们需要从外部存储器按顺序加载整个网络及其所有交互，这既耗时又耗能。因此使用忆阻器网络来构建神经网络将极大的提升能源效率，不过忆阻器的工作原理与生物神经网络略有不同。忆阻器改变的不是信号是否存在，而是有多少电信号通过，接触信号会降低忆阻器的电阻，从而允许更多的信号通过。在忆阻器中，弛豫意味着电阻会随着时间再次上升。
为了有效地用忆阻器网络模拟人工神经网络，该团队使用由钇、钡、碳和氧组成的超导体YBCO作为其晶体结构，这对于排列忆阻器的镁、钴、镍、铜和锌氧化物至关重要。通过改变这些氧化物的比例，他们实现了159至278纳秒之间的时间常数，所创建的忆阻器网络可以学习和识别从零到九的声音，经过训练后，该网络可以在音频输入完成之前识别每个数字。
研究人员预计，他们的新材料系统可以将AI芯片的能源效率提高到当前最先进材料的六倍。不过，当前制造这些忆阻器还需要耗费大量能源，因为需要完美的晶体来准确评估其特性，但研究团队表示，未来随着材料成本的降低，将可以使用更简单的制造工艺进行大规模生产。
最前沿的电子设计资讯
