Japanilainen TDK on kehittänyt neuromorfisen muistielementin, nimeltään "spin-memristori", jolla on äärimmäisen alhainen virrankulutus. Tämä laite matkisi ihmisaivojen energiatehokasta toimintaa, minkä ansiosta tekoälysovellusten virrankulutus voisi pienentyä perinteisiin laitteisiin verrattuna jopa sadasosaan.
Yhteistyössä ranskalaisen tutkimusorganisaation CEA-Letin kanssa TDK on osoittanut, että "spin-memristori" voi toimia neuromorfisen laitteen peruselementtinä. Jatkossa TDK tekee yhteistyötä myös Tohokun yliopiston Innovatiivisten Integroituun Elektroniikkaan liittyvien Järjestelmien Keskuksen (CIES) kanssa teknologian käytännön kehittämiseksi.
Viime vuosina tekoälyn kehityksen edistämä digitaalinen transformaatio (DX) on johtanut energian käytön kasvuun suurten datamäärien ja tekoälyn käytössä, mikä on tuonut esiin tiettyjä ongelmia – kuten valtavien tietomäärien laskennallisen prosessoinnin monimutkaisuuden ja tekoälyn kehitykseen liittyvän kasvavan virrankulutuksen. TDK pyrkii osaltaan ratkaisemaan näitä yhteiskunnallisia ja ympäristöllisiä ongelmia.
Ihmisaivot kuluttavat noin 20 W tehoa ja pystyvät tekemään monimutkaisempia päätöksiä kuin nykyiset digitaaliset tekoälyprosessorit, mutta huomattavasti vähäisemmällä virrankulutuksella. Tämän vuoksi TDK asetti tavoitteekseen kehittää laitteen, joka simuloi aivojen synapseja sähköisesti. Siinä missä perinteiset muistielementit tallentavat tietoa muodossa 0 tai 1, "spin-memristori" voi tallentaa tietoa analogisessa muodossa, kuten aivot. Tämä mahdollistaa monimutkaiset laskelmat äärimmäisen pienellä virrankulutuksella.
Vaikka neuromorfisia memristoreita on olemassa, niillä on ongelmia, kuten resistanssin muuttuminen ajan myötä, vaikeudet tiedon tarkassa kirjoittamisessa sekä tiedon säilytyksen varmistamisen tarve. TDK "spin-memristori" ratkaisee nämä ongelmat ja sen odotetaan tarjoavan kestävän vastuksen ympäristövaikutuksille sekä pitkäaikaisen tiedonsäilytyksen samalla, kun virrankulutusta pienennetään vuotovirtoja vähentämällä.
Spin-memristori toimii hyödyntämällä elektronien spiniä sekä resistiivisen kytkennän periaatetta tiedon tallentamiseen ja käsittelyyn. Toisin kuin perinteiset muistielementit, jotka tallentavat tietoa digitaalisessa muodossa (0 tai 1), spin-memristori voi tallentaa tietoa analogisessa muodossa. Tämä tarkoittaa, että se kykenee tallentamaan useita erilaisia tiloja, mikä tekee siitä erityisen sopivan neuromorfisiin sovelluksiin, joissa tarvitaan monimutkaista ja energiaa säästävää laskentaa. Spin-memristori hyödyntää magneettista materiaalia, jossa elektronien spiniä voidaan hallita ulkoisella magneettikentällä tai sähkövirralla, minkä ansiosta laite pystyy simuloimaan biologisia synapseja tehokkaasti ja säilyttämään tiedon pitkäaikaisesti ilman merkittävää energiahukkaa. Tämä innovatiivinen rakenne vähentää myös vuotovirtoja, mikä parantaa energiatehokkuutta huomattavasti verrattuna perinteisiin puolijohdekomponentteihin.
TDK aloitti yhteistyön CEA kanssa vuonna 2020, ja tämän yhteistyön tuloksena kehitettiin "spin-memristorilla" varustettu AI-piiri (3 elementtiä × 2 sarjaa × 4 sirua), jonka onnistunut toiminta vahvistettiin äänten erottelukokeella. Kokeessa piiri pystyi oppimaan ja erottamaan kolme eri äänen tyyppiä (musiikki, puhe ja melu) reaaliajassa, vaikka ne oli sekoitettu mielivaltaisesti. Perinteisessä koneoppimisessa tekoäly suorittaa tehtäviä aiemmin opitun tiedon perusteella, mutta TDK laite pystyy ainutlaatuisesti oppimaan muuttuviin olosuhteisiin reaaliajassa.
Nyt TDK vie tätä projektia perustutkimuksesta käytännön soveltamiseen. Piirin valmistaminen vaatii puolijohde- ja spintroniikkavalmistusprosessien yhdistämistä. Tämä on jo saavutettu MRAM-piirien valmsituksessa ja seuraavaksi TDK aikoo kehittää vastaavaa prosessia Tohokun yliopiston kanssa, joka on johtava akateeminen instituutio MRAM-muistien tutkimuksessa ja kehityksessä.
Suuren nopeuden Ethernet-muuntajien tulee täyttää nykyaikaisille, tehokkaille verkkolaitteille asetetut vaatimukset. Niiden tehtävänä on turvata luotettava ja varma datansiirto, optimoida signaalin laatu ja tehostaa verkon yleistä suorituskykyä ja kapasiteetin hyödyntämistä.
