Ученые из Сан-Диего разработали революционную память для искусственного интеллекта
Американские исследователи представили инновационный подход к созданию энергоэффективных систем хранения данных, критически важных для развития ИИ. Современные нейросетевыемодели сталкиваются с ограничениями из-за задержек и высокого энергопотребления при передаче информации между процессорами и запоминающими устройствами. Традиционная резистивная оперативная память (RRAM), хотя потенциально способна решить проблему за счет вычислений внутри ячейки, долгое время оставалась непригодной из-за нестабильности и крупных габаритов.
Ключевая проблема RRAM связана с механизмом резистивного переключения, где диэлектрик под воздействием напряжения формирует проводящие филаменты. Этот процесс требует высоких напряжений, несовместимых со стандартными полупроводниковыми технологиями, а случайный характер образования нитей приводит к неконтролируемым изменениям сопротивления. Дополнительным препятствием стала необходимость изоляции ячеек транзисторами, что усложняет создание трехмерных структур.
Специалисты из Сан-Диего предложили принципиально новую архитектуру, исключающую формирование филаментов. Их разработка, названная «объемной резистивной памятью с произвольным доступом», использует переключение целого слоя между состояниями с высоким и низким сопротивлением. Это позволило отказаться от энергоемкого этапа инициализации и минимизировать размеры устройств до 40 нанометров. Ученым также удалось создать восьмислойные трехмерные массивы памяти, где каждая ячейка поддерживает 64 дискретных уровня сопротивления — значительное преимущество перед традиционными RRAM, ограниченными несколькими состояниями.
Важным достижением стал диапазон сопротивления в мегаомах, что упрощает параллельную обработку данных. Для демонстрации возможностей команда собрала 1-килобайтный чип без селекторных транзисторов и протестировала его в задаче непрерывного обучения. Система анализировала данные с мобильных датчиков, определяя физическую активность пользователя с точностью 90%, что соответствует результатам цифровых нейронных сетей.
