据埃菲社3月20日报道，能耗是当前人工智能(AI)硬件面临的主要挑战之一，而一种模仿人类大脑工作方式的新型纳米电子器件，有望大幅降低人工智能能耗。

由英国剑桥大学领衔的研究人员团队研发出一种氧化铪材料，可作为高度稳定、低功耗的记忆电阻器(忆阻器)使用。该组件旨在模仿大脑中神经元连接的高效模式，不过在制造方面仍有难题需要攻克。

忆阻器是一种电子器件，能够实现与晶体管相同的功能，但占用空间小得多，功耗也极低。此外，它可以在单一芯片上集成数十亿个晶体管，有助于提升大型人工神经网络的性能。

当前的人工智能系统基于传统计算机芯片，数据需要在存储器和处理单元之间来回传输。

受大脑启发的计算，即神经形态计算，是一种替代性的信息处理方式。它将信息存储与处理放在同一位置完成，且功耗极低，有望将能耗降低多达70%。

这类系统还将具备更强的适应性，就像我们的大脑能够学习和适应环境一样。

现有的忆阻器大多依靠在金属氧化物材料内部形成微小导电细丝来工作。然而，这些细丝的行为难以预测，且通常需要较高的形成电压和工作电压，这限制了它们在大规模数据存储和计算系统中的实用性。

剑桥团队研制出一种新型铪基薄膜，使器件能够逐步改变电阻，而不是依靠细丝的生成或断裂。

研究人员使用这种铪基器件实现的开关电流，约为某些传统氧化物器件的百万分之一。

实验室测试表明，该器件能够可靠地承受数万次开关循环，并可将编程状态保持约一天时间。

此外，它还能复现生物学中观察到的基本学习规则，例如依赖峰值同步的可塑性：神经元根据信号到达的时间来增强或减弱连接的机制。

剑桥大学在一份声明中表示，这些正是可学习、可自适应的硬件所需要的特性，而不只是简单地存储比特数据。

不过，仍有一些挑战有待解决。目前最主要的是制造工艺所需温度约为700摄氏度，高于半导体制造的标准耐受温度。

研究团队已在研究降低所需温度的方法，以便更好地适配行业标准制程。（编译/韩超）