تأثير خصائص نبضة البرمجة على خصائص تحديث الوزن في ترانزستورات تشابك احتجاز الشحنة من نوع IGZO

أجهزة ذكاء اصطناعي أذكى مستوحاة من الدماغ

يدير الذكاء الاصطناعي اليوم غالباً على شرائح رقمية تستهلك طاقة كبيرة. تستكشف هذه الدراسة مساراً مختلفاً، باستخدام أجهزة إلكترونية خاصة تتصرف أشبه بمشابك الدماغ ويمكنها تخزين التعلم مباشرة في العتاد. يوضّح الباحثون كيف أن تشكيل توقيت نبضات الجهد بعناية يمكن أن يجعل هذه الأجهزة الصغيرة تتذكّر بصورة أفضل مع استهلاك طاقة ضئيل، خطوة نحو ذكاء اصطناعي أكثر كفاءة في الهواتف والمستشعرات والأجهزة الطرفية.

مفاتيح مصغّرة تتعلّم مثل المشابك

تركز الدراسة على ترانزستورات طبقية رقيقة مصنوعة من أكسيد الإنديوم-الجاليوم-الزنك غير المتبلور (IGZO)، وهو شبه ناقل شفاف يُستخدم بالفعل في بعض تقنيات الشاشات. في هذه الأجهزة، تحتوي طبقة أكسيد السيليكون منخفضة الحرارة تحت المسار على العديد من العيوب التي يمكنها اصطياد وإطلاق الإلكترونات مؤقتاً. يتصرف كل ترانزستور كمشبك عصبي تُحدد قوّته بعدد الإلكترونات المحتجزة في هذه المصائد، تماماً كما تتقوّى أو تضعف المشابك البيولوجية عندما تمر الإشارات بين الخلايا العصبية. عن طريق إرسال سلسلة من النبضات الكهربائية إلى البوابة، يستطيع الفريق خفض أو رفع التيار المتدفق تدريجياً، مقلدين كيف يتغير وزن المشبك أثناء التعلم.

كيف يشكّل توقيت النبضة الذاكرة الإلكترونية

السؤال الرئيسي هو كيف يؤثر عرض كل نبضة برمجة على هذه الذاكرة الإلكترونية. يقارن المؤلفون بين ثلاث فترات نبض تستمر 1.5 أو 3 أو 6 ثوانٍ مع ضبط شروط أخرى مثل ارتفاع النبضة، وإجمالي زمن التدريب، ودورية التشغيل بدقة. تحمل النبضات القصيرة طاقة أقل، لذا تنتقل إلكترونات أقل إلى المصائد الأعمق، في حين تمنح النبضات الطويلة وقتاً أطول للجهاز للاسترخاء أو التعافي أثناء خطوات القراءة. عندما تُمنح مخططات النبض الثلاثة نفس إجمالي أوقات التشغيل والإيقاف، تنتج حالة المدى المتوسط (3 ثوانٍ) أكبر تذبذب بين أضعف وأقوى حالات المشبك، ما يعني أنها توفر أكبر نطاق عملي لتخزين الأوزان المتعلّمة.

فصل التعلم الحقيقي عن الاسترخاء البسيط

بما أن الترانزستور ينحرف طبيعياً عائداً إلى حالته الأصلية أثناء عملية القراءة، يجري الفريق مجموعة ثانية من التجارب لفصل هذا التعافي عن التعلم الحقيقي. في هذه التجارب يثبّتون عدد النبضات وزمن التعافي بينها، ويعدّلون دورة العمل بحيث تشترك النبضات الأطول بنفس ظروف القراءة. تحت هذا المقارنة الأعدل، كلما طالت النبضة احتُجزت إلكترونات أكثر في الأكسيد وغاص الجهاز أعمق في حالة الذاكرة. النتيجة هي نسبة ديناميكية متزايدة بثبات، مقياس لمقدار قابلية ضبط موصِّلية الجهاز، مع منح نبضات 6 ثوانٍ أوسع وأقوى نطاق قابل للتحكم في الوزن.

من أجهزة مفردة إلى تمييز الأرقام المكتوبة يدوياً

للاطلاع على معنى ذلك للحوسبة الحقيقية، يغذّي الباحثون سلوك أجهزتهم المقاس إلى محاكي مسرّع ذكاء اصطناعي تناظري. يصوّرون شبكة عصبية صناعية تتعرّف على الأرقام المكتوبة يدوياً من مجموعة بيانات MNIST، موصّلين عدداً كبيراً من هذه الترانزستورات التشابكية في مصفوفة شبكية افتراضية. بما أن الأجهزة تعمل عند تيارات منخفضة جداً في منطقة تحت العتبة، يمكن للضوضاء وتأثيرات التعافي أن تغبش الأوزان المخزنة. ومع ذلك، تحقق الشبكة دقّات تمييز تقارب 80 و87 و90 في المئة لعرض النبضة 1.5 و3 و6 ثوانٍ على التوالي. يظهر هذا التوافق الوثيق بين نطاق الوزن القابل للاستخدام ودقة التعرّف أن التحكم الأفضل في احتجاز الشحنة يحسّن مباشرة جودة التعلم.

لماذا تصميم النبضة مهم لمستقبل الذكاء منخفض الطاقة

بعبارة مبسطة، تُظهر الدراسة أن هذه الترانزستورات الأكسيدية تتذكّر المعلومات اعتماداً على طول وشدة النبضات المطبّقة عليها، تماماً كما يتغير مشبك الدماغ مع النشاط المتكرر. لا تدفع النبضات القصيرة للغاية شحنة كافية إلى حالات الذاكرة العميقة، بينما يجب موازنة النبضات الطويلة مع سرعة نسيان الجهاز أثناء القراءة. من خلال ضبط كل من عرض النبضة ومدى راحة الجهاز بين النبضات، يمكن للمهندسين توسيع نطاق الذاكرة وتعزيز تمييز الأنماط دون رفع جهد التشغيل. تشير هذه البصيرة إلى أجهزة مستوحاة من الدماغ قادرة على تشغيل مهام ذكاء اصطناعي بكفاءة عن طريق تخزين وتحديث المعرفة مباشرة في شبكات واسعة من ترانزستورات التشابك.

الاستشهاد: Ko, Y., Ryu, J., Pi, J. et al. Influence of programming-pulse properties on weight-update characteristics of charge-trapping IGZO synaptic transistors. Sci Rep 16, 15031 (2026). https://doi.org/10.1038/s41598-026-44949-9

الكلمات المفتاحية: أجهزة عصبية محاكية, ترانزستور تشابكي, IGZO, عرض نبضة البرمجة, الذكاء الاصطناعي التناظري