Wielomodalny tranzystor sterowany jonami oparty na 2D nadprzewodniku jonowym do obliczeń w pamięci w głębokim uczeniu

Inteligentniejsze układy inspirowane mózgiem

Współczesna sztuczna inteligencja dokonuje cudów, ale zużywa dużo energii, głównie dlatego, że dzisiejsze układy nieustannie przesyłają dane między pamięcią a procesorami. W artykule opisano nowy rodzaj miniaturowego urządzenia elektronicznego, które zachowuje się trochę jak połączenie komórek mózgowych, czyli synapsa. Dzięki wykonywaniu obliczeń i kształtowaniu sygnału w tym samym miejscu, te urządzenia mogą uczynić przyszły sprzęt AI szybszym i znacznie bardziej energooszczędnym, co potencjalnie przyniosłoby korzyści urządzeniom od smartfonów po czujniki brzegowe w samochodach i noszone medyczne urządzenia.

Dlaczego obecny sprzęt AI marnuje zasoby

Większość algorytmów AI opiera się na dwóch podstawowych krokach: mnożeniu i dodawaniu liczb, aby łączyć sygnały, a następnie przejściu wyniku przez zakrzywiony etap „aktywacji”, który decyduje, które wzorce są istotne. Konwencjonalne układy wykonują te kroki w oddzielnych blokach. Dane muszą być konwertowane między formami cyfrowymi i analogowymi oraz wielokrotnie przesyłane po układzie, co kosztuje czas i energię. Inżynierowie chcieliby mieć jedno fizyczne urządzenie, które może zarówno przechowywać siłę połączenia, jak i stosować nieliniowość przypominającą aktywację, lecz typowe elementy elektroniczne dobrze radzą sobie tylko z jedną z tych funkcji. Gdy wymusza się na nich wykonywanie obu ról, stają się niestabilne lub niedokładne.

Nowy rodzaj bloku budulcowego tranzystora

Autorzy przedstawiają tranzystor zbudowany z ultracienkich, warstwowych kryształów, który w zaskakujący sposób rozwiązuje ten problem. Urządzenie wykorzystuje dwuwymiarowy materiał o nazwie CdPS3-Li jako specjalną warstwę przewodzącą jony, ułożoną z innym dwuwymiarowym półprzewodnikiem MoS2, który przenosi prąd elektryczny. Warstwa CdPS3-Li zawiera jony litu, które mogą łatwo poruszać się w niektórych kierunkach, ale nie w innych, a także posiada puste miejsca (wakancje), które mogą zatrzymywać ładunek. Gdy zaaplikowany zostanie impuls elektryczny, jony litu przemieszczają się do granicy z warstwą MoS2 i pozostają tam, silnie zmieniając przewodność urządzenia. Natomiast gdy urządzenie oświetli się światłem, ładunki generowane w warstwie MoS2 są przyciągane do tych wakancji, prowadząc do bogatych, zależnych od czasu odpowiedzi.

Przekształcanie światła i elektryczności w sygnały przypominające mózg

Dzięki takiej konstrukcji ten sam tranzystor naturalnie wspiera dwa bardzo różne, ale uzupełniające się zachowania. Pod wpływem impulsów elektrycznych oferuje wiele stabilnych poziomów rezystancji, które zmieniają się gładko i przewidywalnie, działając jak regulowane wagi w sieci neuronowej. Te poziomy są nieulotne, co oznacza, że pozostają nawet po zakończeniu impulsu, a urządzenie może niezawodnie przechodzić przez dziesiątki odrębnych stanów bez zużycia. Natomiast pod wpływem impulsów świetlnych prąd narasta, a następnie zanika w sposób zakrzywiony, który można dobrze dopasować funkcjami matematycznymi powszechnie używanymi jako krzywe aktywacji w głębokim uczeniu. Poprzez regulację natężenia, czasu trwania i liczby impulsów świetlnych badacze mogą kształtować tempo zaniku odpowiedzi, skutecznie „programując” różne profile aktywacji w sprzęcie.

Od pojedynczych urządzeń do działających macierzy AI

Aby pokazać, że to nie tylko ciekawostka laboratoryjna, zespół zbudował macierze tych tranzystorów i podłączył je do uruchomienia części prawdziwej sieci neuronowej. Jedna macierz wykonuje krok mnożenia i sumowania: przechowywana rezystancja każdego urządzenia reprezentuje wagę, a przyłożenie napięć do siatki pozwala prądom naturalnie sumować się zgodnie z zasadami fizyki obwodów. Druga, mniejsza macierz jest wystawiana na starannie zsynchronizowane impulsy świetlne, tak że jej zanika‑jące prądy realizują etap aktywacji. Koordynując te dwa moduły z konwencjonalną elektroniką sterującą, badacze wytrenowali sieć do rozpoznawania ręcznie pisanych cyfr, osiągając dokładność powyżej 97 procent — porównywalną z systemami w pełni cyfrowymi, lecz uzyskaną przy użyciu komponentów, które z natury łączą pamięć i przetwarzanie.

Co to oznacza dla codziennej technologii

Dla niespecjalisty kluczowy komunikat jest taki, że te nowe tranzystory jonowe wrażliwe na światło działają znacznie bardziej jak biologiczne synapsy niż tradycyjne przełączniki krzemowe. Mogą zapamiętywać siłę połączeń, różnie reagować na sygnały elektryczne i optyczne oraz robić to przy bardzo niskim zużyciu energii na operację. Chociaż nie są jeszcze gotowe, by jutro zastąpić układy w twoim telefonie, wskazują kierunek ku przyszłości, w której sprzęt AI będzie gęstszy, bardziej wydajny i bardziej przypominający mózg. Takie postępy mogą ostatecznie umożliwić potężne systemy uczące się mieszczące się w małych, zasilanych bateryjnie urządzeniach, przybliżając inteligentne wykrywanie i podejmowanie decyzji do miejsca, gdzie generowane są dane.

Cytowanie: 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

Słowa kluczowe: obliczenia neuromorficzne, obliczenia w pamięci, tranzystor sterowany jonami, materiały 2D, sprzęt do głębokiego uczenia