En rekonfigurerbar fotosensitiv split-flytande-grind-minne för neuromorf beräkning och icke-linjär aktivering

Smartare hårdvara i kanten

Telefoner, kameror och små internetanslutna prylar förväntas numera se, känna igen och reagera i realtid — men i dag görs detta oftast genom att rådata skickas fram och tillbaka mellan separata sensorer, minneschip och processorer. Den trafiken kostar energi och saktar ner alltihop. Denna artikel presenterar en ny typ av kompontent som kan känna ljus, lagra information och utföra nyckelsteg i artificiell intelligens inom en enda enhet, vilket lovar snabbare och mer energieffektiv smart hårdvara för vardagsteknik.

Hur hjärnan inspirerar nya chip

Våra ögon och hjärna hanterar syn på ett helt annat sätt än en digital kamera. I det mänskliga visuella systemet fångar näthinnan inte bara bilder; den filtrerar, komprimerar och framhäver viktiga drag direkt innan den skickar kompakterade signaler längs synnerven till synkortex. De flesta maskiner samlar däremot först in fullständiga bilder, lagrar dem och bearbetar dem någon annanstans, vilket slösar både tid och energi. Forskarna ville efterlikna den biologiska strategin i hårdvara: bygga enheter som både kan känna och bearbeta information lokalt, och som dessutom kan utföra de icke-linjära ”aktiverings”stegen som moderna neurala nätverk förlitar sig på för att fatta komplexa beslut.

En enhet, tre uppgifter

Teamet utvecklade vad de kallar en multimodal split-floatande-grind-minnesenhet. Enklare uttryckt är det en stapel av ultratunna material som beter sig som en mycket flexibel transistor med två oberoende styrbara regioner. Genom att injicera och fånga små laddningspaket i dessa regioner kan enheten omprogrammeras på begäran. I en konfiguration fungerar den som en självdriven ljussensor vars känslighet kan finjusteras och till och med göras positiv eller negativ. I en annan fungerar den som ett minneselement vars elektriska ledningsförmåga kan ställas in på ett av många stabila nivåer, idealiskt för att lagra styrkorna — eller ”vikterna” — i ett neuralt nätverk.

Att få fram neurala ”gnistan” på chipet

Neurala nätverk adderar och multiplicerar inte bara tal; efter varje lager passerar resultatet genom ett icke-linjärt aktiveringssteg, ofta funktioner kända som ReLU eller Sigmoid. Dessa steg hanteras vanligtvis av separata, energikrävande kretsar. Här kan samma enhet som känner och lagrar information också utföra dessa aktiveringar. När den programmeras till ett visst tillstånd tillåter den ström att flyta endast över en viss insignalnivå, vilket efterliknar en ReLU. När den omprogrammeras blir dess ström–spänningskurva mjuk och S-formad, lik en Sigmoid. Avgörande är att växling mellan dessa lägen görs elektriskt och snabbt, utan att ändra chipets fysiska struktur.

En liten hårdvaruhjärna för synuppgifter

För att visa vad detta möjliggör kopplade författarna många av dessa enheter i små matriser och använde dem som ett komplett, hårdvarubaserat visionssystem. I så kallat sensorläge konverterade en matris av enheter direkt ljusmönster till viktade signaler och utförde det första lagret i ett neuralt nätverk inne i bildsensorn själv. I minnesläge utförde liknande matriser matrisliknande beräkningar typiska för djupare nätverkslager. Separata enheter i aktiveringsläge applicerade sedan ReLU- och Sigmoid-operationer. Med denna uppställning kunde systemet klassificera handskrivna siffror från standarddatabasen MNIST med noggrannhet nära en ren mjukvarumodell, och det kunde också rengöra brusiga bilder med en autoencoder — samtidigt som de inlärda vikterna lagrades lokalt i icke-flyktig form.

Varför detta är viktigt för vardagsteknik

För icke-specialister är huvudpoängen att forskarna har förenat sensning, minne och det icke-linjära ”beslutssteget” i artificiell intelligens i en enda rekonfigurerbar enhet. Eftersom den kan programmeras med mycket små energipulser, fungera på nanosekundsnivå och komma ihåg sina inställningar utan ström, skulle sådan hårdvara kunna göra framtida kameror, wearables och andra edge-enheter mycket mer effektiva. Istället för att skicka floder av rådata till en avlägsen processor eller molnet kan dessa system utvinna mening där data uppstår — precis som våra egna ögon och hjärna gör — och öppna dörren för kompakta, lågenergimaskiner som ser och förstår världen i realtid.

Citering: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

Nyckelord: neuromorf hårdvara, in-sensor-beräkning, in-memory-beräkning, icke-linjär aktivering, edge-AI