PdNeuRAM: ReRAM Pd/HfO2 bez formowania, wielobitowy, do energooszczędnych obliczeń neuromorficznych

Bardziej inteligentne układy dla świata inteligentnych urządzeń

Od asystentów głosowych po samochody autonomiczne — współczesne urządzenia opierają się na komputerach, które są szybkie, ale energochłonne. W miarę jak upychamy więcej inteligencji w telefonach, czujnikach i robotach, dzisiejsze procesory mają trudności, by nadążyć bez szybkiego rozładowywania baterii czy przegrzewania się. W badaniu opisano nowy rodzaj mikroskopijnego elementu pamięciowego, który zachowuje się nieco jak synapsa mózgowa i ma na celu uczynienie przyszłego sprzętu sztucznej inteligencji dużo bardziej energooszczędnym.

Dlaczego obliczenia inspirowane mózgiem potrzebują nowego sprzętu

Wiele współczesnych systemów AI działa w koncepcji zwanej obliczeniami w pamięci, gdzie informacje są przechowywane i przetwarzane w tym samym fizycznym miejscu. Redukuje to czas i energię tracone na przesyłanie danych tam i z powrotem. Jednym z wiodących kandydatów na takie komórki pamięci jest pamięć rezystancyjna (ReRAM), która potrafi zapamiętać różne poziomy rezystancji nawet po wyłączeniu zasilania. Jednak większość urządzeń ReRAM wymaga początkowego wysokiego napięcia zwanego „formowaniem”, aby przepalić przewodzące ścieżki przez materiał. Ten etap marnuje energię, obciąża urządzenie i komplikuje produkcję, co ogranicza przydatność w dużych, niskomocowych układach AI.

Projekt małego przełącznika bez gwałtownego startu

Naukowcy opracowali nową komórkę ReRAM nazwaną PdNeuRAM, zbudowaną z ultracienkiej warstwy tlenku hafnu umieszczonej między warstwami palladu i tytanu. Dokładna mikroskopia wykazała, że atomy palladu nieznacznie wnikają w tlenek na styku, gdzie przyciągają atomy tlenu i pozostawiają wiele drobnych defektów. Zamiast wymagać gwałtownego procesu formowania, który tworzy pojedynczy gruby przewodzący filament, taki zaprojektowany interfejs naturalnie zawiera gęstą sieć łagodnych, płytkich miejsc defektowych. W efekcie urządzenie może przełączać się między stanami rezystancyjnymi przy znacznie niższych napięciach i bez ostrego wstępnego traktowania, jakiego wymagają typowe ReRAM-y.

Dostrajanie wielu odcieni przewodności

Testy elektryczne wykazały, że komórki PdNeuRAM mogą płynnie regulować rezystancję w wielu poziomach, zamiast jedynie przełączać się między prostymi stanami „włączony/wyłączony”. Zmieniając wielkość i czas trwania impulsów elektrycznych, zespół był w stanie niezawodnie zaprogramować co najmniej osiem odrębnych poziomów rezystancji w pojedynczej komórce. Poziomy te pozostawały stabilne podczas dziesiątek tysięcy operacji odczytu i cykli przełączania. Analiza przepływu prądu sugerowała, że przy niższych natężeniach urządzenie przewodzi przez rozproszoną sieć płytkich pułapek, podczas gdy silniejsze impulsy programujące stopniowo pogrubiają przewodzące ścieżki, rozszerzając użyteczny zakres rezystancji bez utraty płynnej kontroli.

Od pojedynczych urządzeń do impulsowych sieci neuronowych

Aby sprawdzić zachowanie nowej komórki w realistycznym środowisku, zespół symulował matryce krzyżowe PdNeuRAM i porównał je z bardziej konwencjonalnymi ReRAM opartymi na platynie. Wykorzystali te matryce jako synapsy w dwóch impulsowych sieciach neuronowych rozpoznających wzorce z zestawów danych wizji zdarzeniowej, w tym poruszające się cyfry odręczne i gesty ludzkie. W tych sieciach informacje przenoszone są przez krótkie impulsy elektryczne zamiast ciągłych sygnałów, bardziej jak w prawdziwych neuronach. Naukowcy odwzorowali każdą cyfrową wagę sieci na kilka wielopoziomowych komórek ReRAM, a następnie symulowali, ile energii potrzeba do zapisu i odczytu tych wag podczas uczenia i rozpoznawania.

Oszczędzanie energii bez utraty dokładności

Impulsowe sieci neuronowe zbudowane z PdNeuRAM osiągnęły dokładność porównywalną z tą uzyskaną przy użyciu wcześniejszych urządzeń na bazie platyny, poprawnie rozpoznając większość cyfr i gestów w zestawach testowych. Jednak dzięki wyższej naturalnej rezystancji i pracy bez formowania, komórki na bazie palladu zużywały znacznie mniej energii. W skali całej sieci energia potrzebna do zaprogramowania wag synaptycznych spadła o około 43 procent, a energia wymagana do ich odczytu podczas inferencji zmniejszyła się o około 38 procent. Ta redukcja wynika z faktu, że łagodna, rozproszona sieć defektów w PdNeuRAM zapobiega powstawaniu grubych, wysoce przewodzących filamentów, ograniczając niepotrzebny prąd zarówno podczas zapisu, jak i odczytu.

Co to oznacza dla codziennej technologii

Mówiąc prosto, badanie pokazuje, jak subtelne zmiany na skali atomowej mogą przekształcić wymagający element pamięci w łagodną, precyzyjnie regulowaną elektroniczną synapsę. Przekształcając rozmieszczenie atomów tlenu i metalu w kilku nanometrach grubości, zespół stworzył urządzenie, które nie potrzebuje już energetycznego „rozruchu”, a jednocześnie oferuje wiele stabilnych poziomów rezystancji dla obliczeń inspirowanych mózgiem. Jeśli zostanie skalowane i dopracowane, takie bezformujące, wielopoziomowe komórki ReRAM mogą zasilać przyszły sprzęt AI mieszczący się w małych czujnikach, urządzeniach mobilnych i na krawędzi sieci, zużywając znacznie mniej energii niż dzisiejsze układy.

Cytowanie: Hua, E., Spyrou, T., Ahmadi, M. et al. PdNeuRAM: forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Commun Eng 5, 97 (2026). https://doi.org/10.1038/s44172-026-00650-3

Słowa kluczowe: obliczenia neuromorficzne, ReRAM, tlenek hafnu, impulsowe sieci neuronowe, niskomocowy sprzęt AI