Ingrid Fadelli , Phys.org

Gaby Clark tərəfindən redaktə edilmiş , Robert Eqan tərəfindən nəzərdən keçirilmişdir

 Redaktorların qeydləriKredit: Dupouy/CEA

Son onilliklər ərzində elektronika mühəndisləri artan həcmdə məlumatı təhlükəsiz və səmərəli şəkildə saxlaya bilən geniş çeşiddə yaddaş qurğuları hazırlamışlar. Bununla belə, bu günə qədər hazırlanmış müxtəlif növ cihazların ümumi performansına məhdudiyyətlər qoyan və mümkün tətbiqlərini məhdudlaşdıran öz mübadilələri var.

Université Grenoble Alpes (CEA-Leti, CEA List), Université de Bordeaux (CNRS) və Université Paris-Saclay (CNRS) bu yaxınlarda memristorlar və ferroelektrik kondansatörlər (FeCAPs) kimi tanınan, adətən fərdi olaraq istifadə edilən iki tamamlayıcı komponenti birləşdirən yeni yaddaş cihazı inkişaf etdirdilər. Nature Electronics- də dərc olunmuş məqalədə təqdim olunan bu vahid memristor-ferroelektrik yaddaş, getdikcə daha dəqiq proqnozlar verməyi müstəqil şəkildə öyrənən süni intellekt (AI) sistemlərini idarə etmək üçün xüsusilə perspektivli ola bilər.

“İdeal” yaddaş yüksək sıxlıqlı, uçucu olmayan, dağıdıcı olmayan oxuya bilən və faktiki olaraq sonsuz dözümlülük təklif edəcək” dedi.

“Təəssüf ki, belə bir yaddaş hələ mövcud deyil və o, heç vaxt tam şəkildə əldə edilə bilməz. Bu məhdudiyyəti aradan qaldırmaq üçün biz başa düşdük ki, müxtəlif yaddaş cihazlarının bir-birini tamamlayan güclü tərəflərini birləşdirə bilən yeni yanaşma lazımdır.”

Mövcud yaddaş həllərinin komponentlərini araşdırdıqda, Vianello və onun həmkarları anladılar ki, FeCAP-lar və memristorlar, hətta onların əməliyyatları çox fərqli fiziki mexanizmlərə əsaslansa belə, olduqca oxşar stack strukturunu paylaşırlar. Bu, nəticədə onları bu komponentlərin hər ikisinin funksiyalarını bir yığın daxilində birləşdirən, enerjiyə qənaət edən təlim və AI alqoritmlərinin tətbiqi üçün faydalı ola biləcək yeni yaddaş inkişaf etdirməyə ilham verdi.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=2793866484&adk=2520359048&adf=1100001614&pi=t.ma~as.2793866484&w=750&fwrn=4&fwrnh=0&lmt=1761567564&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-10-memristor-ferroelectric-memory-energy-efficient.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&aieuf=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTQxLjAuNzM5MC41NSIsbnVsbCwwLG51bGwsIjY0IixbWyJHb29nbGUgQ2hyb21lIiwiMTQxLjAuNzM5MC41NSJdLFsiTm90P0FfQnJhbmQiLCI4LjAuMC4wIl0sWyJDaHJvbWl1bSIsIjE0MS4wLjczOTAuNTUiXV0sMF0.&abgtt=6&dt=1761567564634&bpp=1&bdt=121&idt=48&shv=r20251022&mjsv=m202510220101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1761562219%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1761562219%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3D878d521b85743f4c%3AT%3D1751526237%3ART%3D1761562219%3AS%3DAA-AfjZCLruwaFzoQORvGPwXS3Y2&prev_fmts=0x0&nras=1&correlator=6561075798758&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=2014&biw=1905&bih=945&scr_x=0&scr_y=0&eid=31095144%2C31095409%2C95373975%2C95374289%2C95374627%2C95375703%2C95376000%2C31095398%2C42533293%2C95344788%2C95360684%2C95368094&oid=2&pvsid=2794317114461136&tmod=1104005689&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&plas=164x742_l%7C164x742_r&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=208

Vianello izah etdi: “Memristor iki elektrodu bağlayan keçirici filamentin yaradılması və əriməsi yolu ilə elektrik müqavimətini dəyişdirərək məlumatı saxlayır”.

“Bu müqavimət vəziyyətlərinin proqramlaşdırılması həm proqramlaşdırma gücünə, həm də cihazın yazmağa davamlılığına təsir edən dəqiq cərəyan nəzarətini tələb edir. Bunun əksinə olaraq, oxu əməliyyatları saxlanılan müqavimət dəyərlərini müəyyən etmək üçün yalnız aşağı gərginlikli, qısa impulsdan ibarətdir.”

Vianello və onun həmkarları tərəfindən hazırlanmış hibrid sistemin ikinci komponenti olan FeCAP, ferroelektrik materiala əsaslanan yaddaş cihazıdır. Bu cihaz, tətbiq olunan elektrik sahəsi ilə dəyişdirilən ferroelektrik materialın tərs polarizasiyası vasitəsilə məlumatları saxlayır.

“Qütbləşmənin geri qaytarılması ultra aşağı yerdəyişmə cərəyanı tələb etdiyinə görə, FeCAP-lar proqramlaşdırma zamanı müstəsna dözümlülük və olduqca aşağı enerji istehlakı təklif edir” dedi Vianello.

“Bizim ferroelektrik -memristor yaddaşımız silikon qatqılı HfO₂-ni (adətən FeCAP-lərdə istifadə olunur) titan təmizləyici təbəqə ilə birləşdirir (adətən memristorlarda istifadə olunur). Dizaynımızda bütün qurğular əvvəlcə FeCAP kimi davranır, lakin Ti təbəqəsi sayəsində əməliyyat memristoruna çevrilə bilər.”

Əslində, bu tədqiqatçılar qrupu tərəfindən yaradılmış hibrid yaddaş memristorların və FeCAP texnologiyasının ən yaxşı xüsusiyyətlərini birləşdirir. Memristorlar kimi, analoq çəkiləri saxlaya bildiyindən, oxu əməliyyatları zamanı enerjiyə qənaət etdiyindən və yaddaşdaxili hesablamaları dəstəklədiyindən nəticə çıxarmaqda üstündür. Bununla belə, FeCAP-ları inteqrasiya etməklə, o, həm də maşın öyrənmə alqoritmlərini öyrədərkən ideal olan sürətli və az enerjili yeniləmələri dəstəkləyir.

“Biz memristorların və FeCAP-ların funksiyalarını bir yığın daxilində birləşdirən yaddaş texnologiyasını nümayiş etdirdik” dedi Vianello. “Bu hibrid yanaşma hər iki cihaz növünün güclü tərəflərindən istifadə edərək, səmərəli və etibarlı çip üzərində təlim və süni neyron şəbəkələrinin nəticə çıxarmasına imkan verir.”

Vianello və onun həmkarlarının bu son işi tezliklə digər tədqiqat qruplarını çox fərqli görünən yaddaş komponentlərini birləşdirən digər hibrid məlumat saxlama həllərini inkişaf etdirməyə ruhlandıra bilər. Gələcəkdə onların yaratdığı yaddaş daha da təkmilləşdirilə və uzaq bulud serverlərinə və məlumat mərkəzlərinə etibar etmək əvəzinə, süni intellekt alqoritmlərinin birbaşa yerli aparatda işlədiyi sistem olan kənar AI-nin təlimi və tətbiqini dəstəkləmək üçün istifadə edilə bilər.

“Bir çox real dünya tətbiqləri süni intellekt sistemlərindən əvvəllər əldə edilmiş bilikləri fəlakətli şəkildə unutmadan daim yeni tapşırıqları öyrənməyi və ya dəyişən girişlərə uyğunlaşmağı tələb edir” dedi Vianello.

“Lakin klassik dərin öyrənmə üsulları mövcud parametrləri yeni məlumatlarla əvəz etməyə meyllidir. Son zamanlar bu problemlərin öhdəsindən gəlmək üçün bir neçə yeni alqoritmlər təklif edilmişdir. Bizim növbəti məqsədimiz yaddaş texnologiyamızı bu yeni ortaya çıxan yanaşmalarla inteqrasiya etmək, insan beyni kimi davamlı öyrənə və dinamik şəkildə uyğunlaşa bilən sistemlərə yol açmaqdır.”

Müəllifimiz İnqrid Fadelli tərəfindən sizin üçün yazılmış , Gaby Clark tərəfindən redaktə edilmiş və Robert Eqan tərəfindən yoxlanılmış və nəzərdən keçirilmiş bu məqalə diqqətli insan əməyinin nəticəsidir. Müstəqil elmi jurnalistikanı yaşatmaq üçün sizin kimi oxuculara güvənirik. Bu hesabat sizin üçün əhəmiyyət kəsb edirsə, lütfən, ianə (xüsusilə aylıq) nəzərdən keçirin. Siz təşəkkür olaraq reklamsız hesab əldə edəcəksiniz .

Ətraflı məlumat: Michele Martemucci et al, A ferroelectric-memristor memory for both training and inference, Nature Electronics (2025). DOI: 10.1038/s41928-025-01454-7 .

Jurnal məlumatı: Nature Electronics 

© 2025 Science X Network