Neuromorfik hesaplama ve doğrusal olmayan aktivasyon için yeniden yapılandırılabilir fotosensitif bölünmüş‑yüzen‑kapı bellek

Uçta daha akıllı donanım

Telefonlar, kameralar ve küçük internete bağlı cihazlardan artık gerçeği anında görmeleri, tanımaları ve tepki vermeleri bekleniyor—ancak bugün bunlar genellikle ayrı sensörler, bellek çipleri ve işlemciler arasında ham verilerin ileri geri taşınmasıyla yapılıyor. Bu trafik enerji tüketiyor ve her şeyi yavaşlatıyor. Bu makale, tek bir aygıt içinde ışığı algılayabilen, bilgiyi hafızada tutabilen ve yapay zekânın ana adımlarını gerçekleştirebilen yeni bir tür küçük elektronik yapı taşı tanıtıyor; bu, günlük teknolojiler için daha hızlı ve daha verimli akıllı donanım vaat ediyor.

Beyin yeni çipleri nasıl ilham veriyor

Gözlerimiz ve beynimiz görmeyi dijital bir kameradan çok farklı şekilde ele alır. İnsan görsel sisteminde retin, sadece görüntü yakalamaz; optik sinire gönderilmeden önce hemen filtreler, sıkıştırır ve önemli özellikleri vurgular; böylece görsel kortekse daha kompakt sinyaller gönderilir. Buna karşılık çoğu makine önce tam görüntüleri toplar, bunları depolar ve sonra başka yerde işler; bu zaman ve enerji israfına yol açar. Araştırmacılar biyolojik stratejiyi donanımda taklit etmeyi hedeflediler: bilgiyi yerelde hem algılayıp hem de işleyebilen ve modern sinir ağlarının karmaşık kararlar almasını sağlayan doğrusal olmayan “aktivasyon” adımlarını uygulayabilen aygıtlar üretmek.

Tek aygıt, üç görev

Ekip çok modlu bölünmüş‑yüzen‑kapılı bir bellek aygıtı geliştirdi. Daha basit bir ifadeyle, bu, iki bağımsız kontrol edilebilen bölgeye sahip çok esnek davranan ultra ince malzeme yığınından oluşan bir transistör gibi. Bu bölgelere küçük elektrik yük paketleri enjekte edip tuzaklandığında, aygıt isteğe bağlı olarak yeniden programlanabiliyor. Bir konfigürasyonda, hassasiyeti ince ayarlanabilen ve hatta pozitif ya da negatif yapılabilen kendi enerjisini kullanan bir ışık algılayıcı gibi davranıyor. Başka bir konfigürasyonda ise elektriksel iletkenliği birçok kararlı seviyeye ayarlanabilen bir bellek elemanı olarak görev yapıyor; bu, bir sinir ağındaki bağlantıların güçlerini—yani “ağırlıkları”—saklamak için ideal.

Sinirsel “kıvılcımı” çipe getirmek

Sinir ağları sadece sayıları toplayıp çarpmaz; her katmandan sonra sonuçları genellikle ReLU veya Sigmoid olarak bilinen doğrusal olmayan bir aktivasyon adımından geçirirler. Bu adımlar genellikle ayrı, güç tüketen devreler tarafından yapılır. Burada, bilgiyi algılayan ve depolayan aynı aygıt bu aktivasyonları da gerçekleştirebiliyor. Belirli bir duruma programlandığında, yalnızca belirli bir giriş seviyesinin üzerindeyken akımın akmasına izin vererek ReLU’yu taklit ediyor. Yeniden programlandığında ise akım‑gerilim eğrisi düzgün ve S‑şeklinde olarak bir Sigmoid’e dönüşüyor. Kritik olarak, bu modlar arasında geçiş fiziksel çip yapısını değiştirmeden, elektriksel olarak ve hızlı bir biçimde yapılıyor.

Görme görevleri için küçük bir donanım beyni

Bunun neler sağlayabileceğini göstermek için yazarlar bu aygıtlardan birçok tanesini küçük diziler halinde bağladılar ve bunları tamamı donanım tabanlı bir görsel sistem olarak kullandılar. Sözde sensör modunda, bir dizi aygıt doğrudan ışık desenlerini ağırlıklı sinyallere dönüştürdü ve bir sinir ağının ilk katmanını görüntü sensörünün içinde gerçekleştirdi. Bellek modunda, benzer diziler daha derin ağ katmanlarına özgü matris benzeri hesaplamaları yürüttü. Aktivasyon modundaki ayrı aygıtlar ise sonra ReLU ve Sigmoid işlemlerini uyguladı. Bu düzenekle sistem, standart MNIST veritabanındaki el yazısı rakamları yazılım‑sadece modele yakın doğrulukla sınıflandırabildi ve aynı zamanda bir oto‑kodlayıcı kullanarak gürültülü görüntüleri temizleyebildi; tüm bunlar öğrenilmiş ağırlıkları yerelde, uçucu olmayan biçimde saklarken gerçekleşti.

Günlük teknoloji için neden önemli

Uzman olmayanlar için ana çıkarım, araştırmacıların algılama, bellek ve yapay zekânın doğrusal olmayan “karar adımını” tek bir yeniden yapılandırılabilir aygıtta birleştirmiş olmalarıdır. Küçük enerji darbeleriyle programlanabildiği, nanosanise kadar zaman ölçeklerinde çalışabildiği ve güç olmadan ayarlarını hatırlayabildiği için bu tür donanım, geleceğin kameralarını, giyilebilirlerini ve diğer uç cihazları çok daha verimli kılabilir. Ham veri selini uzak bir işlemciye veya buluta göndermek yerine, bu sistemler verilerin doğduğu yerde anlam çıkarabilir—tıpkı kendi gözlerimiz ve beynimizin yaptığı gibi—ve gerçek zamanlı olarak dünyayı gören ve anlayan kompakt, düşük güçlü makinelerin yolunu açar.

Atıf: 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

Anahtar kelimeler: neuromorfik donanım, algılayıcı içinde hesaplama, hafızada hesaplama, doğrusal olmayan aktivasyon, uç AI