Naukowcy z Korea Advanced Institute of Science and Technology (KAIST) opracowali innowacyjny 'Frequency Switching Neuristor', urządzenie zdolne do naśladowania adaptacyjności ludzkiego mózgu. Ten przełom może zrewolucjonizować sprzęt do sztucznej inteligencji (AI), czyniąc go znacznie bardziej energooszczędnym i stabilnym. Kluczową cechą tego neurystora jest jego zdolność do autonomicznej zmiany częstotliwości sygnału, co przypomina sposób, w jaki biologiczne neurony dostosowują swoją czułość. Ta wbudowana plastyczność, znana również jako plastyczność synaptyczna, jest fundamentalna dla uczenia się i adaptacji w systemach biologicznych i sztucznych.
Integracja memrystorów ulotnych i nieulotnych w neurystorze pozwala na programowalne zachowanie częstotliwościowo-napięciowe na wielu poziomach. Dzięki temu urządzenie może efektywniej się uczyć i adaptować, co jest kluczowe dla rozwoju zaawansowanych algorytmów AI. Symulacje przeprowadzone na rzadkich sieciach neuronowych wykazały znaczące, bo aż 27,7% zmniejszenie zużycia energii w porównaniu do tradycyjnych sieci AI. Co istotne, spadek ten nie wpłynął negatywnie na dokładność obliczeń. Jest to zgodne z ogólnymi trendami w rozwoju komputerów neuromorficznych, które dążą do osiągnięcia efektywności energetycznej porównywalnej z ludzkim mózgiem, który zużywa zaledwie około 20 watów mocy.
Ponadto, nowy neurystor wykazuje niezwykłą odporność. Jest zdolny do samoreorganizacji i odzyskiwania wydajności nawet po symulowanych uszkodzeniach jego komponentów neuronowych. Ta zdolność do samonaprawy jest kluczowa dla aplikacji wymagających długotrwałej stabilności, takich jak urządzenia brzegowe (edge computing) czy pojazdy autonomiczne. Komputery neuromorficzne, naśladując architekturę mózgu, przetwarzają dane w sposób równoległy, co pozwala na wykonywanie złożonych operacji z mniejszym zużyciem energii i większą elastycznością niż tradycyjne systemy oparte na architekturze von Neumanna.
Badania te, opublikowane w czasopiśmie 'Advanced Materials' 18 sierpnia 2025 roku, pod kierownictwem profesora Kyung Min Kim, otwierają nowe perspektywy dla rozwoju sprzętu AI. Memrystory, znane również jako rezystory pamięci, są kluczowymi komponentami w rozwoju obliczeń neuromorficznych, dążąc do naśladowania struktury i funkcji ludzkiego mózgu. Potencjał energooszczędności i stabilności, jaki oferuje ten neurystor, jest szczególnie obiecujący w kontekście rosnących wymagań obliczeniowych i ograniczeń energetycznych. Rozwój ten wpisuje się w szerszy trend tworzenia sprzętu inspirowanego biologią, który ma na celu przezwyciężenie barier tradycyjnych architektur komputerowych i umożliwienie bardziej zrównoważonego postępu w dziedzinie sztucznej inteligencji.
Zdolność memrystorów do przechowywania informacji nawet po odłączeniu zasilania czyni je idealnymi kandydatami do tworzenia bardziej energooszczędnych i wydajnych systemów AI. Badania pokazują, że technologia ta może zrewolucjonizować przechowywanie i przetwarzanie danych, prowadząc do szybszych i bardziej kompaktowych urządzeń. Zdolność memrystorów do wykonywania zarówno przechowywania danych, jak i obliczeń w jednym komponencie odzwierciedla zintegrowaną pracę synaps w mózgu, oferując drogę do tworzenia bardziej efektywnych sztucznych sieci neuronowych.