<p>研究人员开发了一种新型纳米电子设备，能够通过模仿人脑显著降低人工智能硬件的能耗。</p>
<p>这项研究由剑桥大学领导，开发了一种铪氧化物形式，作为一种高度稳定、低能耗的 ‘忆阻器’——一种旨在模仿大脑中神经元高效连接方式的组件。研究结果发表在期刊《科学进展》上。</p>
<p>目前的人工智能系统依赖于传统计算机芯片，在内存和处理单元之间来回传输数据。这种持续的移动消耗大量电力，随着人工智能在各行业的普及，全球需求正在激增。</p>
<p>受脑启发的计算，或称神经形态计算，是一种处理信息的替代方式，通过在同一地点存储和处理信息，并以极低的功耗进行操作，能够将能耗降低多达 70%。这样的系统也将更加适应，就像我们自己的大脑能够学习和适应一样。</p>
<p>“能耗是当前人工智能硬件面临的关键挑战之一，” 剑桥大学材料科学与冶金系的首席作者巴巴克·巴基特博士表示。“为了解决这个问题，需要具有极低电流、出色稳定性、在切换周期和设备之间表现出色均匀性的设备，以及能够在多种不同状态之间切换的能力。”</p>
<p>大多数现有的忆阻器依赖于金属氧化物材料内部形成微小导电丝。但这些导电丝表现不稳定，通常需要高的形成和操作电压，限制了它们在大规模数据存储和计算系统中的实用性。</p>
<p>剑桥团队则创造了一种新型铪基薄膜，以完全不同的方式切换状态。通过添加锶和钛，并采用两步法生长薄膜，研究人员能够在氧化物的层交界处形成微小的电子门或 ‘p-n 结’。这使得设备能够通过改变界面处的能量障碍高度平滑地改变其电阻，而不是通过生长或破裂导电丝。</p>
<p>巴基特同时隶属于剑桥大学工程系，他表示这种机制克服了开发忆阻器技术的最大挑战之一。“导电丝设备存在随机行为，” 他说。“但由于我们的设备在界面处切换，它们在周期与周期之间以及设备与设备之间表现出卓越的均匀性。”</p>
<p>使用铪基设备，研究人员实现的切换电流约为某些传统氧化物设备的百万分之一。忆阻器还产生了数百个不同的、稳定的导电水平，这是模拟 ‘内存’ 计算的关键要求。</p>
<p>实验室测试表明，这些设备能够可靠地承受数万个切换周期，并在大约一天内存储其编程状态。它们还再现了生物学中观察到的基本学习规则，例如尖峰时序依赖性可塑性：神经元根据信号到达的时间加强或削弱其连接的机制。</p>
<p>“如果你想要能够学习和适应的硬件，而不仅仅是存储比特，这些就是你所需要的特性，” 巴基特说。</p>
<p>然而，仍然存在一些挑战需要克服。目前的制造过程需要约 700°C 的温度——高于标准半导体制造的公差。“这目前是我们设备制造过程中的主要挑战，” 巴基特说。“但我们现在正在研究降低温度的方法，以使其更兼容标准行业流程。”</p>
<p>尽管如此，他相信这项技术最终可以集成到芯片级系统中。“如果我们能降低温度并将这些设备放到芯片上，那将是一个重大进展，” 他说。</p>
<p>作为材料物理学家的巴基特表示，这一突破经历了数年的不成功实验。转折点出现在去年底，当时他尝试对两步沉积方法进行改进，在第一层生长后才添加氧气。</p>
<p>“我在这上面花了将近三年时间，” 他说。“经历了大量失败。但在 11 月底，我们看到了第一个真正好的结果。当然，现在还为时尚早，但如果我们能解决温度问题，这项技术可能会改变游戏规则，因为能耗低得多，同时设备性能也非常有前景。”</p>
<p>这项研究部分得到了瑞典研究委员会（VR）、皇家工程院、皇家学会和英国研究与创新（UKRI）的支持。剑桥大学的创新部门剑桥企业已提交了专利申请。</p>

<p>剑桥大学的研究人员开发了一种基于铪氧化物的新型忆阻器，该设备模拟人脑，可能将人工智能的能耗降低多达 70%。该设备实现了高效的数据处理和存储，克服了传统忆阻器面临的挑战。尽管目前的制造过程需要高温，但正在努力降低这些温度，以符合标准半导体制造的要求。这一突破可能会推动能源高效的人工智能硬件的重大进展，相关专利申请已提交</p>

<p>Researchers have developed a new kind of nanoelectronic device that could dramatically cut the energy consumed by artificial intelligence hardware by mimicking the human brain.</p>
<div class="lb-trans"><p>研究人员开发了一种新型纳米电子设备，能够通过模仿人脑显著降低人工智能硬件的能耗。</p>
</div><p>The researchers, led by the University of Cambridge, developed a form of hafnium oxide that acts as a highly stable, low‑energy ‘memristor’ — a component designed to mimic the efficient way neurons are connected in the brain. The results are reported in the journal <em>Science Advances</em>.</p>
<div class="lb-trans"><p>这项研究由剑桥大学领导，开发了一种铪氧化物形式，作为一种高度稳定、低能耗的 ‘忆阻器’——一种旨在模仿大脑中神经元高效连接方式的组件。研究结果发表在期刊《科学进展》上。</p>
</div><p>Current AI systems rely on conventional computer chips that shuttle data back and forth between memory and processing units. This constant movement consumes large amounts of electricity, and global demand is exploding as AI adoption expands across industries.</p>
<div class="lb-trans"><p>目前的人工智能系统依赖于传统计算机芯片，在内存和处理单元之间来回传输数据。这种持续的移动消耗大量电力，随着人工智能在各行业的普及，全球需求正在激增。</p>
</div><p>Brain-inspired, or neuromorphic, computing is an alternative way to process information that could reduce energy use by as much as 70% by storing and processing information in the same place, and doing so with extremely low power. Such a system would also be far more adaptable, in the same way our own brains are able to learn and adapt.</p>
<div class="lb-trans"><p>受脑启发的计算，或称神经形态计算，是一种处理信息的替代方式，通过在同一地点存储和处理信息，并以极低的功耗进行操作，能够将能耗降低多达 70%。这样的系统也将更加适应，就像我们自己的大脑能够学习和适应一样。</p>
</div><p>“Energy consumption is one of the key challenges in current AI hardware,” said lead author Dr Babak Bakhit, from Cambridge’s Department of Materials Science and Metallurgy. “To address that, you need devices with extremely low currents, excellent stability, outstanding uniformity across switching cycles and devices, and the ability to switch between many distinct states.”</p>
<div class="lb-trans"><p>“能耗是当前人工智能硬件面临的关键挑战之一，” 剑桥大学材料科学与冶金系的首席作者巴巴克·巴基特博士表示。“为了解决这个问题，需要具有极低电流、出色稳定性、在切换周期和设备之间表现出色均匀性的设备，以及能够在多种不同状态之间切换的能力。”</p>
</div><p>Most existing memristors rely on the formation of tiny conductive filaments inside metal oxide material. But these filaments behave unpredictably and typically require high forming and operating voltages, limiting their usefulness in large-scale data storage and computing systems.</p>
<div class="lb-trans"><p>大多数现有的忆阻器依赖于金属氧化物材料内部形成微小导电丝。但这些导电丝表现不稳定，通常需要高的形成和操作电压，限制了它们在大规模数据存储和计算系统中的实用性。</p>
</div><p>The Cambridge team instead created a new type of hafnium-based thin film that switches states in a completely different way. By adding strontium and titanium and growing the film using a two‑step method, the researchers were able to form tiny electronic gates, or ‘ <em>p-n</em> junctions’, inside the oxide where the layers meet. This allows the device to change its resistance smoothly by shifting the height of an energy barrier at the interface, rather than by growing or rupturing the filaments.</p>
<div class="lb-trans"><p>剑桥团队则创造了一种新型铪基薄膜，以完全不同的方式切换状态。通过添加锶和钛，并采用两步法生长薄膜，研究人员能够在氧化物的层交界处形成微小的电子门或 ‘p-n 结’。这使得设备能够通过改变界面处的能量障碍高度平滑地改变其电阻，而不是通过生长或破裂导电丝。</p>
</div><p>Bakhit, who is also affiliated with Cambridge’s Department of Engineeirng, said this mechanism overcomes one of the biggest challenges in developing memristor technology. “Filamentary devices suffer from random behaviour,” he said. “But because our devices switch at the interface, they show outstanding uniformity from cycle to cycle and from device to device.”</p>
<div class="lb-trans"><p>巴基特同时隶属于剑桥大学工程系，他表示这种机制克服了开发忆阻器技术的最大挑战之一。“导电丝设备存在随机行为，” 他说。“但由于我们的设备在界面处切换，它们在周期与周期之间以及设备与设备之间表现出卓越的均匀性。”</p>
</div><p>Using the hafnium-based devices, the researchers achieved switching currents about a million times lower than those of some conventional oxide-based devices. The memristors also produced hundreds of distinct, stable conductance levels, a key requirement for analogue ‘in-memory’ computing.</p>
<div class="lb-trans"><p>使用铪基设备，研究人员实现的切换电流约为某些传统氧化物设备的百万分之一。忆阻器还产生了数百个不同的、稳定的导电水平，这是模拟 ‘内存’ 计算的关键要求。</p>
</div><p>Laboratory tests showed the devices could reliably endure tens of thousands of switching cycles and store their programmed states for around a day. They also reproduced fundamental learning rules observed in biology, such as spike-timing dependent plasticity: the mechanism by which neurons strengthen or weaken their connections depending on when signals arrive.</p>
<div class="lb-trans"><p>实验室测试表明，这些设备能够可靠地承受数万个切换周期，并在大约一天内存储其编程状态。它们还再现了生物学中观察到的基本学习规则，例如尖峰时序依赖性可塑性：神经元根据信号到达的时间加强或削弱其连接的机制。</p>
</div><p>“These are the properties you need if you want hardware that can learn and adapt, rather than just store bits,” said Bakhit.</p>
<div class="lb-trans"><p>“如果你想要能够学习和适应的硬件，而不仅仅是存储比特，这些就是你所需要的特性，” 巴基特说。</p>
</div><p>However, there are still some challenges to overcome. The current fabrication process requires temperatures of around 700°C — higher than standard semiconductor manufacturing tolerances. “This is currently the main challenge in our device fabrication process,” said Bakhit. “But we’re now working on ways to bring the temperature down to make it more compatible with standard industry processes.”</p>
<div class="lb-trans"><p>然而，仍然存在一些挑战需要克服。目前的制造过程需要约 700°C 的温度——高于标准半导体制造的公差。“这目前是我们设备制造过程中的主要挑战，” 巴基特说。“但我们现在正在研究降低温度的方法，以使其更兼容标准行业流程。”</p>
</div><p>Despite this, he believes the technology could ultimately be integrated into chip-scale systems. “If we can reduce the temperature and put these devices onto a chip, it would be a major step forward,” he said.</p>
<div class="lb-trans"><p>尽管如此，他相信这项技术最终可以集成到芯片级系统中。“如果我们能降低温度并将这些设备放到芯片上，那将是一个重大进展，” 他说。</p>
</div><p>Bakhit, a materials physicist, said the breakthrough followed several years of unsuccessful experiments. The turning point came late last year when he tried a twist on the two‑stage deposition method, adding oxygen only after the first layer had been grown.</p>
<div class="lb-trans"><p>作为材料物理学家的巴基特表示，这一突破经历了数年的不成功实验。转折点出现在去年底，当时他尝试对两步沉积方法进行改进，在第一层生长后才添加氧气。</p>
</div><p>“I spent almost three years on this,” he said. “There were a huge number of failures. But at the end of November, we saw the first really good results. It’s still early days of course, but if we can solve the temperature issue, this technology could be game-changing because the energy consumption is so much lower and at the same time, the device performance is highly promising.”</p>
<div class="lb-trans"><p>“我在这上面花了将近三年时间，” 他说。“经历了大量失败。但在 11 月底，我们看到了第一个真正好的结果。当然，现在还为时尚早，但如果我们能解决温度问题，这项技术可能会改变游戏规则，因为能耗低得多，同时设备性能也非常有前景。”</p>
</div><p>The research was supported in part by the Swedish Research Council (VR), the Royal Academy of Engineering, the Royal Society, and UK Research and Innovation (UKRI). A patent application has been filed by Cambridge Enterprise, the University’s innovation arm.</p>
<div class="lb-trans"><p>这项研究部分得到了瑞典研究委员会（VR）、皇家工程院、皇家学会和英国研究与创新（UKRI）的支持。剑桥大学的创新部门剑桥企业已提交了专利申请。</p>
</div>

一种受人脑启发的新型计算机芯片材料可能会大幅减少人工智能的能耗