<p>研究人員開發了一種新型納米電子設備，能夠通過模仿人腦顯著降低人工智能硬件的能耗。</p>
<p>這項研究由劍橋大學領導，開發了一種鉿氧化物形式，作為一種高度穩定、低能耗的 ‘憶阻器’——一種旨在模仿大腦中神經元高效連接方式的組件。研究結果發表在期刊《科學進展》上。</p>
<p>目前的人工智能系統依賴於傳統計算機芯片，在內存和處理單元之間來回傳輸數據。這種持續的移動消耗大量電力，隨着人工智能在各行業的普及，全球需求正在激增。</p>
<p>受腦啓發的計算，或稱神經形態計算，是一種處理信息的替代方式，通過在同一地點存儲和處理信息，並以極低的功耗進行操作，能夠將能耗降低多達 70%。這樣的系統也將更加適應，就像我們自己的大腦能夠學習和適應一樣。</p>
<p>“能耗是當前人工智能硬件面臨的關鍵挑戰之一，” 劍橋大學材料科學與冶金系的首席作者巴巴克·巴基特博士表示。“為了解決這個問題，需要具有極低電流、出色穩定性、在切換週期和設備之間表現出色均勻性的設備，以及能夠在多種不同狀態之間切換的能力。”</p>
<p>大多數現有的憶阻器依賴於金屬氧化物材料內部形成微小導電絲。但這些導電絲表現不穩定，通常需要高的形成和操作電壓，限制了它們在大規模數據存儲和計算系統中的實用性。</p>
<p>劍橋團隊則創造了一種新型鉿基薄膜，以完全不同的方式切換狀態。通過添加鍶和鈦，並採用兩步法生長薄膜，研究人員能夠在氧化物的層交界處形成微小的電子門或 ‘p-n 結’。這使得設備能夠通過改變界面處的能量障礙高度平滑地改變其電阻，而不是通過生長或破裂導電絲。</p>
<p>巴基特同時隸屬於劍橋大學工程系，他表示這種機制克服了開發憶阻器技術的最大挑戰之一。“導電絲設備存在隨機行為，” 他説。“但由於我們的設備在界面處切換，它們在週期與週期之間以及設備與設備之間表現出卓越的均勻性。”</p>
<p>使用鉿基設備，研究人員實現的切換電流約為某些傳統氧化物設備的百萬分之一。憶阻器還產生了數百個不同的、穩定的導電水平，這是模擬 ‘內存’ 計算的關鍵要求。</p>
<p>實驗室測試表明，這些設備能夠可靠地承受數萬個切換週期，並在大約一天內存儲其編程狀態。它們還再現了生物學中觀察到的基本學習規則，例如尖峯時序依賴性可塑性：神經元根據信號到達的時間加強或削弱其連接的機制。</p>
<p>“如果你想要能夠學習和適應的硬件，而不僅僅是存儲比特，這些就是你所需要的特性，” 巴基特説。</p>
<p>然而，仍然存在一些挑戰需要克服。目前的製造過程需要約 700°C 的温度——高於標準半導體制造的公差。“這目前是我們設備製造過程中的主要挑戰，” 巴基特説。“但我們現在正在研究降低温度的方法，以使其更兼容標準行業流程。”</p>
<p>儘管如此，他相信這項技術最終可以集成到芯片級系統中。“如果我們能降低温度並將這些設備放到芯片上，那將是一個重大進展，” 他説。</p>
<p>作為材料物理學家的巴基特表示，這一突破經歷了數年的不成功實驗。轉折點出現在去年底，當時他嘗試對兩步沉積方法進行改進，在第一層生長後才添加氧氣。</p>
<p>“我在這上面花了將近三年時間，” 他説。“經歷了大量失敗。但在 11 月底，我們看到了第一個真正好的結果。當然，現在還為時尚早，但如果我們能解決温度問題，這項技術可能會改變遊戲規則，因為能耗低得多，同時設備性能也非常有前景。”</p>
<p>這項研究部分得到了瑞典研究委員會（VR）、皇家工程院、皇家學會和英國研究與創新（UKRI）的支持。劍橋大學的創新部門劍橋企業已提交了專利申請。</p>

<p>劍橋大學的研究人員開發了一種基於鉿氧化物的新型憶阻器，該設備模擬人腦，可能將人工智能的能耗降低多達 70%。該設備實現了高效的數據處理和存儲，克服了傳統憶阻器面臨的挑戰。儘管目前的製造過程需要高温，但正在努力降低這些温度，以符合標準半導體制造的要求。這一突破可能會推動能源高效的人工智能硬件的重大進展，相關專利申請已提交</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>研究人員開發了一種新型納米電子設備，能夠通過模仿人腦顯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>這項研究由劍橋大學領導，開發了一種鉿氧化物形式，作為一種高度穩定、低能耗的 ‘憶阻器’——一種旨在模仿大腦中神經元高效連接方式的組件。研究結果發表在期刊《科學進展》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>目前的人工智能系統依賴於傳統計算機芯片，在內存和處理單元之間來回傳輸數據。這種持續的移動消耗大量電力，隨着人工智能在各行業的普及，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>受腦啓發的計算，或稱神經形態計算，是一種處理信息的替代方式，通過在同一地點存儲和處理信息，並以極低的功耗進行操作，能夠將能耗降低多達 70%。這樣的系統也將更加適應，就像我們自己的大腦能夠學習和適應一樣。</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>“能耗是當前人工智能硬件面臨的關鍵挑戰之一，” 劍橋大學材料科學與冶金系的首席作者巴巴克·巴基特博士表示。“為了解決這個問題，需要具有極低電流、出色穩定性、在切換週期和設備之間表現出色均勻性的設備，以及能夠在多種不同狀態之間切換的能力。”</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>大多數現有的憶阻器依賴於金屬氧化物材料內部形成微小導電絲。但這些導電絲表現不穩定，通常需要高的形成和操作電壓，限制了它們在大規模數據存儲和計算系統中的實用性。</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>劍橋團隊則創造了一種新型鉿基薄膜，以完全不同的方式切換狀態。通過添加鍶和鈦，並採用兩步法生長薄膜，研究人員能夠在氧化物的層交界處形成微小的電子門或 ‘p-n 結’。這使得設備能夠通過改變界面處的能量障礙高度平滑地改變其電阻，而不是通過生長或破裂導電絲。</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>巴基特同時隸屬於劍橋大學工程系，他表示這種機制克服了開發憶阻器技術的最大挑戰之一。“導電絲設備存在隨機行為，” 他説。“但由於我們的設備在界面處切換，它們在週期與週期之間以及設備與設備之間表現出卓越的均勻性。”</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>使用鉿基設備，研究人員實現的切換電流約為某些傳統氧化物設備的百萬分之一。憶阻器還產生了數百個不同的、穩定的導電水平，這是模擬 ‘內存’ 計算的關鍵要求。</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>實驗室測試表明，這些設備能夠可靠地承受數萬個切換週期，並在大約一天內存儲其編程狀態。它們還再現了生物學中觀察到的基本學習規則，例如尖峯時序依賴性可塑性：神經元根據信號到達的時間加強或削弱其連接的機制。</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>“如果你想要能夠學習和適應的硬件，而不僅僅是存儲比特，這些就是你所需要的特性，” 巴基特説。</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，仍然存在一些挑戰需要克服。目前的製造過程需要約 700°C 的温度——高於標準半導體制造的公差。“這目前是我們設備製造過程中的主要挑戰，” 巴基特説。“但我們現在正在研究降低温度的方法，以使其更兼容標準行業流程。”</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>儘管如此，他相信這項技術最終可以集成到芯片級系統中。“如果我們能降低温度並將這些設備放到芯片上，那將是一個重大進展，” 他説。</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>作為材料物理學家的巴基特表示，這一突破經歷了數年的不成功實驗。轉折點出現在去年底，當時他嘗試對兩步沉積方法進行改進，在第一層生長後才添加氧氣。</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>“我在這上面花了將近三年時間，” 他説。“經歷了大量失敗。但在 11 月底，我們看到了第一個真正好的結果。當然，現在還為時尚早，但如果我們能解決温度問題，這項技術可能會改變遊戲規則，因為能耗低得多，同時設備性能也非常有前景。”</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>這項研究部分得到了瑞典研究委員會（VR）、皇家工程院、皇家學會和英國研究與創新（UKRI）的支持。劍橋大學的創新部門劍橋企業已提交了專利申請。</p>
</div>

一種受人腦啓發的新型計算機芯片材料可能會大幅減少人工智能的能耗