PdNeuRAM: forming gerektirmeyen, çok basamaklı Pd/HfO2 ReRAM ile enerji verimli nöromorfik hesaplama

Akıllı Cihazlar Dünyası İçin Daha Zeki Çipler

Sesli asistanlardan kendi kendine giden arabalara kadar modern cihazlar, hızlı ama enerji tüketen bilgisayarlara dayanıyor. Telefonlara, sensörlere ve robotlara daha fazla zeka sığdırdıkça, günümüz işlemcileri pilleri çabuk tüketmeden veya aşırı ısınmadan performans sağlamakta zorlanıyor. Bu çalışma, bir sinapsı andıran davranış gösteren yeni tür bir küçük elektronik bellek elemanını inceliyor ve geleceğin yapay zeka donanımını çok daha enerji verimli hale getirmeyi amaçlıyor.

Beyin Esinli Hesaplamanın Yeni Donanıma İhtiyacı

Birçok modern AI sistemi, verinin aynı fiziksel yerde depolandığı ve işlendiği hafıza içi hesaplama (computing in memory) kavramı üzerine çalışıyor. Bu, veriyi sürekli olarak aktarmaya harcanan zamanı ve enerjiyi azaltıyor. Bu hafıza hücreleri için öne çıkan adaylardan biri, gücü kapalıyken bile farklı direnç seviyelerini hatırlayabilen dirençli rastgele erişimli bellek, yani ReRAM. Ancak, çoğu ReRAM cihazı, malzeme içinde iletken yollar açmak için başlangıçta yüksek voltajlı bir “forming” adımı gerektirir. Bu adım enerji israfına, cihaza stres yüklenmesine ve üretimin karmaşıklaşmasına yol açarak, geniş ölçekli düşük güçlü AI çiplerinde kullanımını sınırlıyor.

Zorlu Bir Başlangıç Olmadan Küçük Bir Anahtar Tasarlamak

Araştırmacılar, PdNeuRAM adını verdikleri yeni bir ReRAM hücresi geliştirdiler; bu hücre, paladyum ve titanyum tabakaları arasına sıkıştırılmış ultra ince bir hafniyum oksit katmanından oluşuyor. Titizlikle yapılan mikroskopik incelemeler, paladyum atomlarının arayüzde oksit içine hafifçe sızdığını, oksijeni çekip geride çok sayıda küçük kusur bıraktığını gösterdi. İletken bir filament oluşturmak için şiddetli bir elektriksel forming adımına ihtiyaç duymak yerine, bu mühendislikli arayüz doğal olarak yoğun, nazik ve sığ kusur ağları barındırıyor. Sonuç olarak, cihaz tipik ReRAM’ların gerektirdiği sert ön işlemler olmadan ve çok daha düşük voltajlarda direnç durumları arasında anahtarlanabiliyor.

İletkenliğin Birçok Tonunu Ayarlamak

Elektriksel testler, bu PdNeuRAM hücrelerinin sadece basit “açık” ve “kapalı” durumlar arasında sıçramak yerine dirençlerini çok seviyeli biçimde düzgün şekilde ayarlayabildiğini ortaya koydu. Elektriksel darbelerin boyutunu ve zamanlamasını değiştirerek, ekip tek bir hücrede en az sekiz farklı direnç seviyesini güvenilir şekilde programlayabildi. Bu seviyeler, on binlerce okuma işlemi ve anahtarlama döngüsü boyunca kararlı kaldı. Akımın nasıl aktığına dair analizler, daha düşük güçlerde cihazın yaygın bir sığ kapanaklar ağı üzerinden iletim sağladığını, daha güçlü programlama darbelerinin ise iletken yolları kademeli olarak kalınlaştırarak kullanılabilir direnç aralığını genişlettiğini ve yine de düzgün kontrolünü yitirmediğini gösterdi.

Tek Cihazlardan Atımlı Sinir Ağlarına

Bu yeni hücrenin gerçekçi bir ortamda nasıl davrandığını görmek için ekip, PdNeuRAM çapraz çubuk dizilerini modelledi ve bunları daha geleneksel platin bazlı ReRAM ile karşılaştırdı. Bu dizileri, hareketli el yazısı rakamları ve insan jestlerini içeren olay tabanlı görme veri setlerinden örüntüleri tanıyan iki atımlı sinir ağında sinaps olarak kullandılar. Bu ağlarda bilgi, sürekli sinyaller yerine kısa elektrik atımlarıyla taşınıyor; gerçek nöronlara daha çok benziyor. Araştırmacılar ağdaki her bir sayısal ağırlığı birkaç çok seviyeli ReRAM hücresine eşleyip öğrenme ve tanıma sırasında bu ağırlıkları yazmak ve okumak için ne kadar enerji gerektiğini simüle ettiler.

Doğruluktan Ödün Vermeden Enerji Tasarrufu

PdNeuRAM ile oluşturulan atımlı sinir ağları, test setlerinde çoğu rakamı ve jesti doğru tanıyarak daha önceki platin bazlı aygıtlarla benzer doğruluklar elde etti. Ancak, daha yüksek doğal dirençleri ve forming gerektirmeyen çalışmaları sayesinde, paladyum bazlı hücreler önemli ölçüde daha az enerji kullandı. Tüm bir ağ genelinde sinaptik ağırlıkları programlamak için gereken enerji yaklaşık %43 azalırken, çıkarım sırasında bunları okumak için gereken enerji yaklaşık %38 düştü. Bu azalma, PdNeuRAM’daki nazik, dağıtılmış kusur ağının kalın, çok iletken filamentler oluşturmaktan kaçınması sayesinde hem yazma hem de okuma işlemlerinde gereksiz akımı sınırlamasından kaynaklanıyor.

Günlük Teknoloji İçin Anlamı

Basitçe söylemek gerekirse, çalışma atomik ölçekteki ince değişikliklerin talepkâr bir bellek elemanını nazik, hassas ayarlanabilir bir elektronik sinapsa nasıl dönüştürebileceğini gösteriyor. Oksijen ve metal atomlarının birkaç milyarıncı metre kalınlığındaki aranjmanını yeniden şekillendirerek, ekip artık enerji yoğun bir “ilk hareket” gerektirmeyen, buna karşın beyin benzeri hesaplama için çok sayıda kararlı direnç seviyesi sunan bir cihaz yarattı. Eğer ölçeklenip rafine edilirse, bu tür forming gerektirmeyen, çok seviyeli ReRAM hücreleri, küçük sensörlere, mobil cihazlara ve uç cihazlara sığabilecek, bugünkü çiplere kıyasla çok daha az enerji kullanan geleceğin AI donanımını beslemeye yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: nöromorfik hesaplama, ReRAM, hafniyum oksit, atımlı sinir ağları, düşük güçlü AI donanımı