3月24日消息，英國劍橋大學研究團隊開發出一種新型納米電子器件，通過模擬人腦神經元的連接方式，有望大幅降低人工智能（AI）硬件的能耗。研究顯示，這種基于氧化鉿材料的新型憶阻器可實現極低工作電流和高度穩定的多狀態切換，為發展低功耗類腦計算硬件提供了新路徑。相關成果發表于最新一期《科學進展》雜志。
當前AI系統大多基于馮·諾依曼架構，需要在存儲單元與計算單元之間不斷來回傳輸數據，從而消耗大量電力。而隨著AI的迅速普及，全球對算力和能源的需求也在急劇上升。
受大腦啟發的“類腦計算”提供了一種替代方案。這種計算在同一位置實現數據的存儲與處理，可顯著減少數據搬運帶來的能量損耗，理論上可將能耗降低約70%。同時，這類系統還具有更強的適應性，就像人腦能夠不斷學習和調整一樣。
要解決AI能耗問題，需要具備極低工作電流、優異穩定性、在多次開關循環和不同器件間保持高度一致性，并能夠在多種狀態間切換能力的器件。目前，大多數憶阻器依賴在金屬氧化物材料內部形成微小導電細絲來實現功能。但這些導電細絲的行為往往難以預測，而且通常需要較高的成形電壓和工作電壓，這限制了它們在大規模數據存儲和計算系統中的應用。
此次，團隊開發出一種全新的鉿基薄膜，其狀態切換機制完全不同。通過摻入鍶和鈦，并采用兩步生長工藝，氧化物層之間形成微小的p-n結界面結構，使器件能夠通過調節界面處的能量勢壘高度，實現電阻的連續可調變化，而不是依賴導電細絲的生成或斷裂。
實驗結果表明，該器件的開關電流僅為部分傳統氧化物憶阻器的百萬分之一，同時可實現數百個穩定可區分的電導狀態，這是實現模擬“存內計算”的關鍵條件之一。此外，該器件可承受數萬次穩定開關循環，并可將信息狀態保持約一天時間。
研究還發現，該器件能夠模擬生物神經系統中一些基本學習規則，譬如神經元連接強度會隨信號到達時間發生變化，這也是實現類腦學習能力的重要基礎。
不過，該器件目前的制備溫度約為700℃，高于現有標準半導體制造工藝的溫度要求。未來若能降低制備溫度并實現芯片集成，這類器件有望成為新一代低功耗AI硬件的重要基礎技術。
