Нейристор с переключением частоты имитирует пластичность мозга для энергоэффективного ИИ

Исследователи из Корейского передового института науки и технологий (KAIST) разработали инновационный «нейристор с переключением частоты», который воспроизводит адаптивные способности мозга, обещая более энергоэффективное и стабильное аппаратное обеспечение для искусственного интеллекта (ИИ). Это устройство способно автономно изменять частоту своих сигналов, подобно тому, как биологические нейроны регулируют свою чувствительность. Эта внутренняя пластичность является ключом к его повышенной производительности и устойчивости.

Интегрируя волатильные и неволатильные мемристоры, нейристор достигает программируемого многоуровневого поведения частоты и напряжения, что позволяет ему более эффективно обучаться и адаптироваться. Симуляции с использованием разреженных нейронных сетей показали значительное снижение энергопотребления на 27,7% по сравнению с традиционными сетями ИИ, при сохранении вычислительной точности. Кроме того, нейристор демонстрирует замечательную устойчивость, способный к самоорганизации для восстановления производительности даже после симуляции повреждения его нейронных компонентов.

Эта инновация, опубликованная в Advanced Materials 18 августа 2025 года под руководством профессора Кён Мин Кима, призвана значительно принести пользу приложениям, требующим устойчивой стабильности, таким как устройства граничных вычислений и автономные транспортные средства. Мемристоры, также известные как резисторы памяти, являются ключевыми компонентами в разработке нейроморфных вычислений, стремясь имитировать структуру и функции человеческого мозга.

Способность мемристоров сохранять информацию даже при отключенном питании делает их идеальными кандидатами для создания более энергоэффективных и мощных систем ИИ. Исследования показывают, что эта технология может революционизировать хранение и обработку данных, что приведет к созданию более быстрых и компактных устройств. Способность мемристоров выполнять как хранение данных, так и вычисления в одном компоненте отражает интегрированную работу синапсов в мозге, предлагая путь к созданию более эффективных искусственных нейронных сетей.

Разработка таких передовых технологий, как нейристор с переключением частоты, подчеркивает растущее значение граничных вычислений и автономного вождения. Эти области требуют обработки данных в реальном времени и высокой степени надежности, что делает адаптивные и энергоэффективные аппаратные решения, подобные разработанным KAIST, критически важными для будущего развития.