PdNeuRAM: ReRAM на основе Pd/HfO2 без формовки, с многобитной записью для энергоэффективных нейроморфных вычислений

Более умные чипы для мира умных устройств

От голосовых помощников до самоуправляемых автомобилей — современные гаджеты опираются на вычислительные системы, которые быстры, но энергоёмки. По мере того как мы встраиваем больше интеллекта в телефоны, датчики и роботов, нынешние процессоры испытывают трудности с поддержанием производительности без разряда батарей или перегрева. В этом исследовании рассматривается новый тип крошечного электронного элемента памяти, который ведёт себя отчасти как синапс мозга, с целью сделать будущую аппаратную часть искусственного интеллекта значительно более энергоэффективной.

Почему вычисления, вдохновлённые мозгом, требуют нового железа

Многие современные ИИ-системы опираются на концепцию вычислений в памяти, где информация хранится и обрабатывается в одном и том же физическом месте. Это сокращает время и энергию, затрачиваемые на передачу данных туда и обратно. Перспективным кандидатом для таких ячеек памяти является резистивная память (ReRAM), способная сохранять разные уровни сопротивления при отключённом питании. Однако большинство ReRAM-устройств требуют начального высокого напряжения — «формовочного» шага, чтобы пробить проводящие пути через материал. Этот шаг тратит энергию, нагружает устройство и усложняет производство, что ограничивает применимость в больших энергоэффективных ИИ-чипах.

Проектирование крошечного переключателя без жёсткого старта

Исследователи разработали новую ячейку ReRAM под названием PdNeuRAM, построенную из ультратонкого слоя оксида гафния, зажатого между слоями палладия и титана. Тщательная микроскопия показала, что атомы палладия слегка проникают в оксид на интерфейсе, где они притягивают атомы кислорода и оставляют множество мелких дефектов. Вместо того чтобы требовать мощного электрического формования для создания одного толстого проводящего канала, этот спроектированный интерфейс естественным образом содержит плотную сеть деликатных неглубоких дефектных участков. В результате устройство может переключаться между состояниями сопротивления при гораздо более низких напряжениях и без агрессивной предварительной обработки, необходимой для типичных ReRAM.

Настройка множества оттенков проводимости

Электрические испытания показали, что эти ячейки PdNeuRAM способны плавно изменять сопротивление по множеству уровней, а не просто переключаться между простыми состояниями «вкл» и «выкл». Изменяя величину и длительность электрических импульсов, команда смогла надёжно запрограммировать по крайней мере восемь различных уровней сопротивления в одной ячейке. Эти уровни оставались стабильными в течение десятков тысяч операций чтения и циклов переключения. Анализ протекания тока показал, что при меньших воздействиях устройство проводит через разветвлённую сеть неглубоких ловушек, тогда как более сильные программирующие импульсы постепенно утолщают проводящие пути, расширяя полезный диапазон сопротивлений без потери плавного управления.

От одиночных устройств к спайковым нейронным сетям

Чтобы оценить поведение новой ячейки в реалистичной среде, команда моделировала крест-барные массивы PdNeuRAM и сравнила их с более традиционными платиновыми ReRAM. Эти массивы использовали в роли синапсов в двух спайковых нейронных сетях, распознававших шаблоны из событийных визуальных наборов данных, включая движущиеся рукописные цифры и жесты человека. В таких сетях информация передаётся краткими электрическими спайками, а не непрерывными сигналами, что ближе к реальным нейронам. Исследователи отображали каждый цифровой вес сети на несколько многоуровневых ячеек ReRAM и затем моделировали, сколько энергии требуется для записи и чтения этих весов во время обучения и распознавания.

Экономия энергии без потери точности

Спайковые нейронные сети на базе PdNeuRAM показали точность, сопоставимую с сетями на базе платиновых устройств, корректно распознавая большинство цифр и жестов в тестовых наборах. Однако благодаря более высокому естественному сопротивлению и отсутствии необходимости формовки, палладиевые ячейки потребляли значительно меньше энергии. В масштабах всей сети энергия, требуемая для программирования синаптических весов, снизилась примерно на 43 процентов, а энергия чтения во время вывода уменьшилась примерно на 38 процентов. Такое сокращение стало возможным потому, что деликатная распределённая сеть дефектов в PdNeuRAM предотвращает формирование толстых сильно проводящих нитей, ограничивая ненужный ток как при записи, так и при чтении.

Что это значит для повседневных технологий

Проще говоря, исследование демонстрирует, как тонкие изменения на атомном уровне могут превратить требовательный элемент памяти в деликатный, тонко настроенный электронный синапс. Путём перестройки расположения атомов кислорода и металла на толщине в несколько миллиардных долей метра команда создала устройство, которому больше не нужен энергоёмкий «стартовый толчок», при этом оно предлагает множество стабильных уровней сопротивления для вычислений, похожих на работу мозга. Если такие безформовочные многорежимные ячейки ReRAM удастся масштабировать и доработать, они могут помочь питать будущие ИИ-аппараты, помещающиеся в крошечные сенсоры, мобильные устройства и периферийные системы, при значительно меньшем энергопотреблении по сравнению с сегодняшними чипами.

Цитирование: 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

Ключевые слова: нейроморфные вычисления, ReRAM, оксид гафния, спайковые нейронные сети, низкопотребляющее аппаратное обеспечение ИИ