虫虫首页| 资源下载| 资源专辑| 精品软件
登录| 注册

您现在的位置是:首页 > 技术阅读 >  通过化学更好地实现人工智能

通过化学更好地实现人工智能

时间:2024-02-07

灵感来自电池的设备可实现快速模拟人工智能。

我们距离人工大脑还有多远?也许还有很长一段路要走,但如今初步模拟大脑网络的基本要素——突触似乎近在咫尺。
这是因为如今有一种灵感来自电池的电化学存储器(ECRAM)设备出人意料地适合运行人工神经网络。令人意想不到的是,它给传统基于晶体管的人工智能(AI)带来了意料之外的资金竞争压力,在开发理想的人工突触方面,它很快地走向了领先地位。2022年年末,在IEEE国际电子设备大会(IEDM)和其他会议上,研究人员报告了一系列相关进展,包括耗能更低、存储时间更长、占用空间更少的ECRAM设备等。
目前,驱动机器学习算法的人工神经网络以软件为基础,可对大量基于电子器件的“神经元”及其大量连接(即突触)进行建模。研究人员认为,不用软件来表现神经网络,而用真实设备来表现组件,特别是突触,能够实现更快、更节能的AI。这种概念被称为模拟AI,它需要一种具有许多难以获得特性的存储单元:它需要具有足够宽的模拟值范围,可在这些值之间快速可靠地切换,还能长时间保持这些值,同时还要适合大规模生产。

大多数类型的存储器适合存储数字值,但噪声太大,无法可靠地存储模拟值。但在2016年,美国桑迪亚国家实验室亚力克•塔林(Alec Talin)带领的一个研究团队发现,答案就在他们面前,即电池的充电状态。“从根本上说,电池的原理是离子在两种材料之间移动。当离子在两种材料之间移动时,电池可存储和释放能量。”李益阳(Yiyang Li,音)说。当时他在美国桑迪亚国家实验室,现为密歇根大学材料科学与工程助理教授。他说:“我们发现,可以使用相同的过程来存储信息。”
换言之,通道中的离子数量可形成存储的模拟值。理论上,单个离子的差异是可以检测的。ECRAM用这些概念,通过第三栅极控制“电池”中的电荷量。
这种电池有一个负极,中间是一个离子掺杂通道,另一端是正极。通道中离子数量可确定正负端子间的导电率,导电率可形成存储在设备中的模拟值。在通道上方,有一个允许离子(而非电子)通过的电解质屏障。该屏障顶部是一个储存层,内有可供应的移动离子。施加到储存层的电压起到“栅极”的作用,可迫使离子通过电解质屏障进入通道,或使离子由通道返回储存层。如今,切换到任何指定存储值的时间都非常快。
“这些设备的反应比大脑突触快得多。”麻省理工学院工程和计算机科学教授杰西•德尔•阿拉莫(Jesus del Alamo)说,“这为我们进行类似大脑计算——明显快于大脑的人工智能计算提供了基本的可能性,这是实现人工智能前景真正需要的。”

德尔•阿拉莫在麻省理工学院的团队选择了单个质子作为设备的主要信息载体,因为与较大的离子相比,它们的速度无与伦比。几个月前,研究人员展示了一种设备,可在几纳秒内移动离子,其速度约是大脑突触的1万倍,但只是速度快还不够。
“可以看到,该设备对(电压)脉冲的响应非常快,电压脉冲仍然有点大。”德尔•阿拉莫说,“这是个问题。我们希望这些设备对电压较低脉冲的响应速度也很快,因为这是能效的关键。”
IEDM 2022年12月发布的报告显示,麻省理工学院团队首次实时研究了电流的流动,深入了解其设备的运行情况。他们发现了阻碍设备在较低电压下切换的瓶颈:质子很容易穿过电解质层,但需要在电解质和通道之间的接口施加额外的电压。德尔•阿拉莫说,有了这些认识,研究人员相信他们可以设计该材料的接口,降低切换所需的电压,实现更高的能效和可扩展性。
然后,通过编程,这些设备通常会保持电阻率几个小时。桑迪亚国家实验室和密歇根大学的研究人员已经合作将这一保持时间的极限推到10年。2022年11月,他们在《先进电子材料》杂志上发表了其研究结果。
为了实现长期存储,密歇根大学的李益阳领导的团队在麻省理工学院团队所开发的设备中选择了较重的氧离子代替质子。即使对于更大质量的离子,他们观察到的情况也出人意料。“记得我外出旅行的一天,我的研究生戴安娜•金(Diana Kim)向我展示了数据,我很惊讶,以为出现了问题。”李益阳回忆道,“我们没有想到它具有如此强大的非易失性。后来我们一遍又一遍地重复,才获得了足够的信心。”
他们推测,这种非易失性来自他们选择的材料氧化钨,以及氧离子在其中的排列方式。李益阳解释道:“我们认为,这是由于一种被称为相位分离的材料特性,它允许离子如此排列,没有驱动力将其推回。”
可惜的是,这么长的存储时间是以切换速度为代价的,李益阳团队的设备切换速度以分钟为单位。但研究人员表示,通过在物理上了解如何延长存储时间,他们能够寻找到同时具备长时间存储和快速切换特性的其他材料。

同时,这些设备需要有第三极,这也让它们比竞争对手两极存储器更笨重,而且限制了其可扩展性。
为了帮助缩小设备体积,并有效地将其压缩成阵列,韩国浦项科技大学的研究人员提供了支持。这样一来,研究人员可以将设备的占用空间缩小到仅30纳米×30纳米,该面积约为前一代设备所占面积的1/5,同时还保留了切换速度,并提高了能效和读取时间。相关研究人员在IEDM 2022上也报告了其研究成果。
该团队的设备采用了较大的垂直堆叠结构:源极沉积在底部,上方是导电沟道,再上面是漏极。为了在漏极允许离子进出沟道,研究人员用单层石墨烯代替了常用的半导体材料。这种石墨烯的漏极还成为控制离子流的附加屏障。在漏极上方,研究人员放置了电解质屏障,最后在顶部放置了离子储存层和栅极。这样的配置没有降低性能,反而降低了设备读取和写入信息所需的能量。因此,读取存储模拟值所需的时间缩短到了原来的1/20。
尽管取得了上述进展,但我们离实现能加速AI训练的商用ECRAM芯片仍然有一段距离。IBM研究院AI硬件中心的项目总监约翰•罗森(John Rozen)表示,现在可以用便于代工的材料制造这种设备,但这只是一小步。“业界关注的关键点应该是解决集成问题,让ECRAM设备能够与前端晶体管逻辑单片耦合在同一块晶圆上,这样我们就可以大规模建造演示设备,并确定它是否是一种可行的技术。”
罗森在IBM的团队正在努力实现这种可制造性。同时,他们还制作了一款软件工具,用户可以使用这种工具仿真不同的模拟AI设备(包括ECRAM),实际训练神经网络并评估其性能。
作者:Dina Genkina

IEEE Spectrum

《科技纵览》

官方微信公众平台






往期推荐
人工智能正在改变编程工作
10张图总结2023年人工智能状况
播客探索人工智能在医疗保健中的应用