Молекулярный мемристор IISc: новый путь к энергоэффективному ИИ

Исследователи Центра нанонауки и инженерии (CeNSE) при Индийском институте науки в Бангалоре создали молекулярный мемристор на основе рутениевого соединения. По данным команды, устройство обеспечивает аналоговое разрешение до 14 бит и энергоэффективность 4,1 TOPS/W.

Содержание

• Почему ИИ нуждается в новых вычислительных архитектурах
• Как работает нейроморфный ускоритель
• Материал и физическая архитектура мемристора
• Перспективы интеграции и коммерциализации
• Ключевые характеристики разработки

Разработка предназначена для нейроморфных вычислений — подхода, при котором электронные схемы частично воспроизводят принципы работы нервной системы. Миллионы мемристивных элементов могут объединяться в массивы и выполнять операции параллельно, снижая задержки и энергозатраты при обработке данных искусственного интеллекта.

Главное преимущество технологии заключается в переносе вычислений непосредственно в память. Это позволяет сократить обмен данными между процессором и оперативной памятью — одним из наиболее энергозатратных этапов работы ИИ-систем.

В состав молекулярного устройства входят азоароматические лиганды — специально разработанные органические структуры. Они обеспечивают кинетику нулевого порядка: переключение происходит с предсказуемой скоростью и не зависит от текущего состояния системы. Благодаря этому проводимость изменяется линейно и симметрично в широком диапазоне, что повышает точность аналоговых вычислений.

Почему ИИ нуждается в новых вычислительных архитектурах

Современные нейронные сети требуют значительных вычислительных ресурсов. По оценке исследователей, около 94% энергии при работе сверточной нейронной сети расходуется не на сами вычисления, а на передачу данных между вычислительными блоками и динамической памятью.

В традиционных цифровых системах операции выполняются последовательно. По мере увеличения моделей растёт количество обращений к памяти, а вместе с ним — энергопотребление и задержка. Нейроморфная архитектура решает эту проблему за счёт параллельной обработки сигналов в массиве элементов.

Исследование IISc объединяет разработку новых материалов, аналоговые вычисления и архитектуру, вдохновлённую принципами работы мозга. При этом учёные стремятся сохранить совместимость технологии с кремниевым производством и стандартными КМОП-процессами.

По словам команды, будущий стартап на базе CeNSE должен заняться коммерциализацией разработки. Первый минимально жизнеспособный продукт планируется реализовать с использованием 22-нм технологического процесса TSMC.

Как работает нейроморфный ускоритель

Мемристорный чип создаётся как ускоритель логического вывода ИИ. Предполагается, что он будет использоваться вместе с компьютером и выполнять задачи, для которых важны высокая скорость и низкое энергопотребление.

Возможные сценарии применения разработки:

• классификация изображений;
• обнаружение объектов;
• обработка голосовых команд и интерфейсов;
• локальный анализ данных на периферийных устройствах.

В основе архитектуры лежит перекрёстная матрица. В ней проводимость мемристоров представляет значения весов нейронной сети, а входные данные подаются в виде напряжения. Произведение напряжения на проводимость формирует ток, соответствующий операции умножения.

Токи от множества ячеек складываются вдоль проводников по законам Кирхгофа. Так система одновременно выполняет операции умножения и накопления, которые в обычном цифровом процессоре потребовали бы большого числа последовательных действий.

Перекрёстная матрица переводит массовое умножение в параллельный физический процесс: напряжения задают входы, проводимость хранит веса, а суммарный ток формирует результат.

При этом полностью отказаться от цифровой логики невозможно. Даже если аналоговый блок ускоряет основную часть операций, оставшиеся преобразования, управление и передача данных могут стать существенным источником потерь. Поэтому разработчики работают над смешанными аналогово-цифровыми интерфейсами, встроенной памятью и совместной оптимизацией аппаратной части и алгоритмов.

Материал и физическая архитектура мемристора

В отличие от мемристоров, работа которых зависит от случайных дефектов материала, молекулярная структура IISc рассчитана на детерминированное переключение. Это важно для аналоговых вычислений, где воспроизводимость состояний напрямую влияет на точность результата.

На атомном уровне работа устройства связана с перемещением ионов между молекулами. Разные конфигурации обеспечивают различные уровни переноса электронов и формируют устойчивые состояния памяти.

Толщина молекулярной плёнки составляет примерно 60–70 нм — это около одной тысячной толщины человеческого волоса. Площадь элементов можно уменьшать от микрометров до десятков нанометров без изменения толщины слоя. При масштабировании разрешение снижается с 14 до примерно 11 бит, однако этого достаточно для большинства 8-битных ИИ-операций.

Рутений был выбран благодаря доступности и стабильности поставок. Параллельно команда изучает соединения на основе железа и кобальта, которые могут расширить выбор материалов и упростить дальнейшее масштабирование.

Стабильность материала делает мемристор перспективным для практических систем: запрограммированные состояния сохранялись без заметных изменений в течение 7–8 месяцев.

Заявленная долговечность достигает 10⁹ циклов переключения, тогда как для флэш-памяти обычно приводится показатель около 10⁶ циклов. Проводимость сохраняется при использовании стандартных методов пассивации, применяемых в производстве КМОП-микросхем.

Текущий вариант чипа рассчитан на 8-битные операции и поддерживает 4-битный режим для дополнительного снижения энергопотребления. Скорость преобразования данных составляет около 100 мегасэмплов в секунду, а дальнейшее увеличение пропускной способности обеспечивается параллельной работой элементов.

Перспективы интеграции и коммерциализации

Сейчас проект находится на стадии разработки резисторно-транзисторной логики. Для проектирования используются инструменты Synopsys, Cadence и Siemens, а проверка рабочих нагрузок выполняется с помощью PyTorch и TensorFlow.

Ближайшие этапы развития технологии включают:

• интеграцию молекулярного мемристора в монолитную систему на кристалле;
• разработку аналогового интерфейса, цифровых каналов и встроенной статической памяти;
• масштабирование массивов и уменьшение размеров ячеек;
• переход к более аналоговому режиму работы и энергонезависимой памяти высокой плотности.

Разработка защищена патентами на уровне материала, архитектуры и системы. После завершения прототипа команда планирует предоставлять чипы промышленным партнёрам, разработчикам систем и университетам для тестирования. Отдельные устройства создаются совместно с Организацией оборонных исследований и разработок Индии.

Учёные считают, что фундаментальных препятствий для интеграции мемристора в коммерческие производственные процессы нет. Технология должна работать на задней стороне технологического процесса и не затрагивать основные операции формирования транзисторов.

Долгосрочная цель проекта — создать чип, способный не только выполнять логический вывод, но и обучаться непосредственно на устройстве с использованием обратного распространения ошибки.

Рынок нейроморфных вычислений пока остаётся нишевым. Однако, согласно оценке Fortune Business Insights, его объём может вырасти примерно с 213 млн долларов в 2025 году до 1,6 млрд долларов к 2034 году.

Ключевые характеристики разработки

Молекулярный мемристор IISc сочетает аналоговую обработку данных, высокую плотность размещения и потенциально низкое энергопотребление. До появления коммерческого продукта разработчикам предстоит подтвердить стабильность технологии в составе полноценной системы на кристалле, но уже сейчас проект демонстрирует перспективность материалов, способных приблизить ИИ-вычисления к принципам работы мозга.