טרנזיסטור רב-מודאלי מווסת־יונים המבוסס על מוליך-יונים דו־ממדי לעיבוד בזיכרון בלמידה עמוקה

שבבים חכמים בהשראת המוח

האינטליגנציה המלאכותית המודרנית מבצעת נפלאות אבל צורכת אנרגיה רבה, בעיקר משום שהשבבים של היום משנעים באופן קבוע נתונים הלוך ושוב בין הזיכרון למעבדים. המאמר מתאר סוג חדש של רכיב אלקטרוני זעיר שמתנהג קצת כמו חיבור בין תאי מוח, או סינפסה. על ידי טיפול גם בחישוב וגם בעיצוב האותות באותו מקום, רכיבים אלה יכולים להפוך את חומרת ה‑AI של העתיד למהירה יותר ויעילה בהרבה מבחינת צריכת אנרגיה, עם פוטנציאל השפעה על הכול — מטלפונים חכמים ועד חיישנים בקצה ברכבים ומכשירי לבישה רפואיים.

מדוע חומרת AI הנוכחית מבזבזת משאבים

רוב האלגוריתמים של AI נשענים על שני שלבים מרכזיים: כפל וחיבור מספרים כדי לשלב אותות, ולאחר מכן העברתם דרך שלב מעוקל של "הפעלה" שמחליט אילו דפוסים חשובים. שבבים מסורתיים מבצעים את השלבים הללו בחלקים נפרדים. יש להמיר נתונים בין צורות דיגיטליות ואנלוגיות ולנוע איתם שוב ושוב על פני השבב, מה שגורר זמן וצריכת כוח. מהנדסים היו שמחים על מכשיר פיזי בודד שידע גם לאחסן חוזק חיבור וגם להחיל את האי‑ליניאריות הדומה להפעלה, אך מרכיבים אלקטרוניים טיפוסיים עושים היטב רק אחת מהמשימות. כאשר דוחקים אותם לעשות את שתיהן, הם נוטים להפוך לבלתי יציבים או לא מדויקים.

בלוק בנייה חדש של טרנזיסטור

הכותבים מציגים טרנזיסטור מבוסס גבישים דקים ושכבתיים שפותר את התעלומה באופן מפתיע. המכשיר משתמש בחומר דו־ממדי בשם CdPS3‑Li כשכבת הולכת יונים מיוחדת, המחוברת עם מוליך למחצה דו־ממדי נוסף, MoS2, שנושא זרם חשמלי. שכבת ה‑CdPS3‑Li מכילה יוני ליתיום שיכולים לנוע בקלות בכיוונים מסוימים אבל לא באחרים, והיא גם מכילה אתרים ריקים (חסרים) שיכולים לשבות מטען. כאשר מוחלים פולס חשמלי, יוני הליתיום נודדים לגבול עם שכבת ה‑MoS2 ונשארים שם, ומשנים באופן חזק את הולכת המכשיר. כאשר מאירים את המכשיר במקום זאת, המטענים הנוצרים ב‑MoS2 נמשכים לאותם אתרים ריקים, מה שמוביל לתגובות זמן־תלויות מורכבות.

הפיכת אור וחשמל לאותות דמויי‑מוח

בזכות עיצוב זה, אותו טרנזיסטור יכול לתמוך באופן טבעי בשתי התנהגויות שונות אך משלימות. תחת פולסים חשמליים הוא מציע רמות התנגדות רבות, יציבות המשתנות בצורה חלקה וחיזוי, ומתפקדות כמו משקלים מתכווננים ברשת נוירונית. רמות אלה הן לא־נדיפות, כלומר הן נשארות גם לאחר תום הפולס, והמכשיר יכול לעבור באופן אמין דרך עשרות מצבים מובחנים בלי להתבלות. תחת פולסי אור, לעומת זאת, הזרם עולה ואז התחלחל בצורה מעוקלת שניתן להתאים אותה באופן מדויק על ידי פונקציות מתמטיות המשמשות לעתים קרובות כעקומות הפעלה בלמידה עמוקה. על ידי כוונון עוצמת, משך ומספר פולסי האור, החוקרים יכולים לעצב כמה מהר תגובת המכשיר דועכת, ובכך "לתכנת" פרופילי הפעלה שונים בחומרה.

ממכשירים בודדים למערכי AI שעובדים

כדי להראות שזו לא סקרנות מעבדתית בלבד, הצוות בנה מערכים של טרנזיסטורים אלה וחיבר אותם כדי להפעיל חלקים מרשת נוירונים אמיתית. מערך אחד מבצע את שלב הכפל‑והצבר: ההתנגדות המאוחסנת של כל מכשיר מייצגת משקל, והחלת מתחים על רשת מאפשרת לזרמים להצטבר באופן טבעי לפי חוקי פיזיקת המעגלים. מערך שני, קטן יותר, נחשף לפולסי אור מתוזמנים בקפידה כך שהזרמים הדועכים שלו מממשים את שלב ההפעלה. על ידי תיאום שני המודולים הללו עם אלקטרוניקה מבוקרת מסורתית, החוקרים אימנו רשת לזהות ספרות בכתב יד, והשיגו דיוק מעל 97 אחוז — שווה ערך למערכות דיגיטליות טהורות, אך הושג עם רכיבים שמשלבים באופן מוכרז זיכרון ועיבוד.

מה משמעות הדבר לטכנולוגיה יומיומית

בעיני אדם שאינו מומחה, המסר המרכזי הוא שרכיבי הטרנזיסטור הרגישים לאור ומבוססי יונים האלה פועלים יותר בדומה לסינפסות ביולוגיות מאשר למתגי סיליקון מסורתיים. הם יכולים לזכור חוזקי חיבורים, להגיב שונה לגירויים חשמליים מול אופטים, ולעשות זאת עם צריכת אנרגיה מאוד נמוכה לפעולה. למרות שהם לא מוכנים להחליף את השבבים שבטלפון שלך מחר, הם מצביעים לעתיד שבו חומרת AI תהיה צפופה יותר, יעילה יותר ודמוית־מוח. התקדמויות כאלה עשויות בסופו של דבר לאפשר מערכות למידה עוצמתיות שיתאימו למכשירים קטנים המופעלים בסוללה, ולהביא חיישנות וקבלת החלטות חכמות יותר למקום שבו הנתונים נוצרים.

ציטוט: Tong, B., Du, T., Du, J. et al. Multimodal ion-gated transistor based on 2D superionic conductor for in-memory computing in deep learning. Nat Commun 17, 4127 (2026). https://doi.org/10.1038/s41467-026-70587-w

מילות מפתח: מחשוב נוירומורפי, עיבוד בזיכרון, טרנזיסטור מווסת יונים, חומרים דו־ממדיים, חומרה ללמידה עמוקה