Sinqapur Milli Universitetinin (NUS) tədqiqatçıları kompüterlərdə, smartfonlarda və demək olar ki, hər bir elektron sistemdə istifadə edilən mikroçiplərin əsas bloku olan tək, standart silikon tranzistorun xüsusi, qeyri-ənənəvi şəkildə işlədildikdə bioloji neyron və sinaps kimi fəaliyyət göstərə biləcəyini nümayiş etdirdilər.

NUS-un Dizayn və Mühəndislik Kollecinin Material Elmləri və Mühəndisliyi Departamentindən dosent Mario Lanzanın rəhbərlik etdiyi tədqiqat qrupunun işi aparat əsaslı süni neyron şəbəkələri (ANN) üçün yüksək miqyaslı və enerjiyə qənaət edən bir həll təqdim edir.

Bu, insan beyni kimi çiplərin informasiyanı daha səmərəli emal edə biləcəyi neyromorfik hesablamanı reallığa daha da yaxınlaşdırır. Onların araşdırması Nature jurnalında dərc olunub .

Beyinləri silikona yerləşdirmək

Dünyanın ən mürəkkəb kompüterləri artıq başımızın içində mövcuddur. Tədqiqatlar göstərir ki, insan beyni bir-biri ilə təxminən 100 trilyon əlaqə yaradan təxminən 90 milyard neyron və zamanla güclərini tənzimləyən sinapslar sayəsində elektron prosessorlardan daha çox enerjiyə qənaət edir .

Onilliklər ərzində elm adamları süni neyron şəbəkələrindən (ANN) istifadə edərək bu səmərəliliyi təkrarlamağa çalışdılar. ANN-lər bu yaxınlarda beynin məlumatı necə emal etdiyindən ilhamlanaraq süni intellektdə (AI) diqqətəlayiq irəliləyişlərə səbəb oldu.

https://googleads.g.doubleclick.net/pagead/ads?client=ca-pub-0536483524803400&output=html&h=135&slotname=2793866484&adk=675901022&adf=746485419&pi=t.ma~as.2793866484&w=540&abgtt=6&fwrn=4&lmt=1743418973&rafmt=11&format=540×135&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-03-advancing-semiconductor-devices-ai-transistor.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM0LjAuNjk5OC4xNzgiLG51bGwsMCxudWxsLCI2NCIsW1siQ2hyb21pdW0iLCIxMzQuMC42OTk4LjE3OCJdLFsiTm90OkEtQnJhbmQiLCIyNC4wLjAuMCJdLFsiR29vZ2xlIENocm9tZSIsIjEzNC4wLjY5OTguMTc4Il1dLDBd&dt=1743418973133&bpp=1&bdt=71&idt=56&shv=r20250327&mjsv=m202503250101&ptt=9&saldr=aa&abxe=1&cookie=ID%3D594147a00c618f4c%3AT%3D1735548631%3ART%3D1743417998%3AS%3DALNI_MYbuCvlfveSCnpeUIQKyQ2DBT11fQ&gpic=UID%3D00000f84124e2904%3AT%3D1735548631%3ART%3D1743417998%3AS%3DALNI_Maf8g334ShSARz9IhljaNTJv-vUzg&eo_id_str=ID%3D639b28d7655b7aa4%3AT%3D1735548631%3ART%3D1743417998%3AS%3DAA-Afjakj_-HiAALGKSfOxRJbP3s&prev_fmts=0x0&nras=1&correlator=1415474246663&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=1625&biw=1521&bih=730&scr_x=0&scr_y=0&eid=31090665%2C95356500%2C95356506%2C95355301%2C95356787%2C95356927&oid=2&pvsid=1605115482820810&tmod=1924908644&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C1536%2C816%2C1536%2C730&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=65

Lakin onlar bioloji terminologiyanı götürsələr də, oxşarlıqlar yalnız dərini əhatə edir – proqrama əsaslanan ANN-lər, məsələn, ChatGPT kimi böyük dil modellərini gücləndirənlər hesablama resurslarına və deməli, elektrik enerjisinə böyük həvəsə malikdirlər. Bu, onları bir çox tətbiqlər üçün qeyri-mümkün edir.

Neyromorfik hesablama beynin hesablama gücünü və enerji səmərəliliyini təqlid etmək məqsədi daşıyır. Bu, yalnız yaddaş və hesablamaları eyni yerdə həyata keçirmək üçün sistem arxitekturasının yenidən dizaynını tələb etmir – sözdə yaddaşdaxili hesablama (IMC) – həm də neyronların və sinapsların necə işlədiyini daha etibarlı şəkildə təkrarlaya bilən fiziki və elektron hadisələrdən istifadə edən elektron cihazların hazırlanmasını tələb edir.

Bununla belə, mövcud neyromorfik hesablama sistemləri mürəkkəb çox tranzistorlu sxemlərə və ya geniş miqyaslı istehsal üçün hələ təsdiq edilməmiş yeni materiallara ehtiyacla maneə törədir.

“Mikroçiplərin bioloji neyronlar və sinapslar kimi davrandığı əsl neyromorfik hesablamaları işə salmaq üçün bizə həm miqyaslana bilən, həm də enerjiyə qənaət edən aparat lazımdır” dedi professor Lanza.

NUS tədqiqat qrupu indi nümayiş etdirdi ki, tək, standart silikon tranzistor, müəyyən bir şəkildə təşkil edildikdə və işlədildiyində, həm neyron atəşini, həm də sinaptik çəki dəyişikliklərini – bioloji neyronların və sinapsların əsas mexanizmlərini təkrarlaya bilər.

Bu, toplu terminalın müqavimətini xüsusi dəyərlərə uyğunlaşdırmaqla əldə edildi, bu da tranzistorda baş verən iki fiziki hadisəni idarə etməyə imkan verir: zərbənin ionlaşması və yük tutma yolu ilə zərbə. Bundan əlavə, komanda tədqiqatçıların “Neyro-Synaptic Random Access Memory” və ya NS-RAM adlandırdıqları bir neyron və ya sinaptik rejimdə işləyə bilən iki tranzistorlu hüceyrə qurdu.

“Digər yanaşmalar mürəkkəb tranzistor massivləri və ya qeyri-müəyyən istehsal qabiliyyəti olan yeni materiallar tələb edir, lakin bizim metodumuz müasir kompüter prosessorlarında və yaddaş mikroçiplərində olan eyni platforma olan kommersiya CMOS (tamamlayıcı metal-oksid-yarımkeçirici) texnologiyasından istifadə edir” dedi professor Lanza.

“Bu o deməkdir ki, o, miqyaslana bilən, etibarlı və mövcud yarımkeçirici istehsal prosesləri ilə uyğundur.”

Təcrübələr vasitəsilə NS-RAM hüceyrəsi aşağı enerji istehlakı nümayiş etdirdi , bir çox əməliyyat dövrlərində sabit performansı qorudu və müxtəlif cihazlarda ardıcıl, proqnozlaşdırıla bilən davranış nümayiş etdirdi – bunların hamısı real dünya tətbiqləri üçün uyğun etibarlı ANN aparatının yaradılması üçün arzu olunan atributlardır.

Komandanın irəliləyişi daha sürətli, daha həssas hesablamaları təmin edə bilən yığcam, enerjiyə qənaət edən AI prosessorlarının inkişafında bir addım dəyişikliyini göstərir.

Daha çox məlumat: Sebastian Pazos və digərləri, Standart silikon tranzistorda sinaptik və sinir davranışları, Təbiət (2025). DOI: 10.1038/s41586-025-08742-4

Jurnal məlumatı: Təbiət Sinqapur Milli Universiteti tərəfindən təmin edilmişdir