7 Minutės
Įsivaizduokite lustą, kuriame medžiaga pati gali saugoti informaciją, apdoroti signalus ir adaptuotis — ne dėl grandinių projektavimo, o dėl savo chemijos. Indijos mokslo instituto (Indian Institute of Science, IISc) tyrėjai sukūrė molekulinius įrenginius, kurių elektroninės savybės keičiasi pagal poreikį, taip aptirpdamos ribą tarp tradicinės aparatinės įrangos ir gyvo, mokinio sistemos tipo elgesio.
Tyrėjų sukurti molekuliniai įrenginiai gali dinamiškai keisti savo elektroninę rolę: jie gali elgtis kaip atmintis, logikos elementai arba net kaip dirbtinės sinapsės. Projektuodami prisitaikančią chemiją molekuliniame lygyje, mokslininkai priartina skaičiavimą prie to, kaip iš tikrųjų veikia smegenys — integruodami saugojimą, apdorojimą ir plastiškumą į tą pačią medžiagą.
Why molecular electronics matters now
Kelerius dešimtmečius kompiuterinės pramonės pagrindą sudarė silicio tranzistoriai. Tačiau, kai įrenginiai mažėja, o energijos sąnaudos auga, mokslininkai ieško fundamentaliai naujų sprendimų. Molekulinė elektronika pasiūlė radikalų žingsnį: kurti komponentus iš atskirų molekulių arba plonų molekulinių sluoksnių ir panaudoti chemines reakcijas skaičiavimams atlikti. Praktikoje molekulės įrenginyje elgiasi ne kaip izoliuotos vadovėlių dalys — jos sąveikauja tarpusavyje, juda jonai, keičiasi oksidacijos laipsniai ir atsiranda nelinijiniai procesai, kuriuos sunku nuspėti arba valdyti. Šiuos reiškinius molekulinė elektronika ne tik priima kaip iššūkį, bet ir mato kaip privalumą: būtent per šias chemines dinamikas galima gauti sudėtingas, adaptuojančias elgsenas, naudingas neuromorfiniams tinklams ir adaptaciniams skaičiavimo modeliams.
Paraleliai neuromorfinė kompiuterija — aparatinė įranga, įkvėpta smegenų veikimo — ieško medžiagų, kurios galėtų ir skaičiuoti, ir mokytis tame pačiame fiziniame substrate. Dauguma esamų neuromorfinių įrenginių imituoja sinapses per inžinerinius perjungimus oksiduose ar filamentuose, tačiau šie metodai dažniau atkuria mokymosi elgesį dirbtinai, o ne įrašo jį natūraliai į medžiagos atsaką. Molekulinė elektronika, ypač su dizainu molekulių lygyje, suteikia galimybę įmaterialinti mokymąsi — kad savybės, tokios kaip plastiškumas ar atmintis, kiltų tiesiogiai iš cheminės struktūros ir jos dinamikos.
How IISc’s team merged chemistry with computation
Daugiadisciplininė IISc komanda, vadovaujama Sreetosh Goswami, siekė sujungti šiuos du iššūkius: molekulinių komponentų valdomumą ir neuromorfinių savybių integraciją. Rezultatas — serija labai mažų molekulinių įrenginių, sudarytų iš rutênio kompleksų, kurių funkcija gali būti smarkiai pakeista priklausomai nuo valdymo režimo. Viena molekulinė architektūra gali veikti kaip atminties elementas, logikos vartai, selektorius, analoginis procesorius arba elektroninė sinapsė — ir netgi peršokti tarp skaitmeninio ir analoginio elgesio plačiame laidumo diapazone. Toks universalumas leidžia vieną ir tą patį struktūrinį sprendimą naudoti įvairioms neuromorfinių sistemų funkcijoms įgyvendinti, kas sumažina komponentų įvairovę ir supaprastina integraciją.
Ši prisitaikymo galimybė kyla iš kruopštaus cheminio dizaino. Komanda sintezavo 17 rutênio pagrindu veikiančių kompleksų ir sistemingai keitė ligandų sudėtį bei joninę aplinką. Nedideli molekulinės geometrijos pokyčiai arba skirtingi artimi kontrajonai žymiai pakeitė elektronų transportą per plėvelę, molekulių oksidavimo ir redukcijos elgseną bei jonų dreifą matricoje. Šie mikroskopiniai procesai kartu lemia perjungimo greitį, relaksacijos mechanizmus ir kiekvienos būsenos stabilumą. Taigi cheminis dizainas tapo įrankiu ne tik statiniam funkcionalumui konfigūruoti, bet ir dinaminėms savybėms optimizuoti — pavyzdžiui, užtikrinti ilgesnį būsenų išsaugojimą arba valdyti, kada įrenginys elgsis analogiškai, o kada skaitmeniškai.
From experiment to predictive theory
Viena iš svarbiausių tyrimo pažangų yra eksperimentų derinimas su griežtu teoriniu modeliavimu. Tyrėjai sukūrė transporto modelį, pagrįstą daugianarių sistemų fizika ir kvantine chemija, kuris susieja molekulės struktūrą su makroskopinėmis įrenginio funkcijomis. Vietoje to, kad perjungimą būtų laikoma empiriniu reiškiniu ar netikėtumu, teorija aiškina, kaip koreliuotas elektronų judėjimas, jonų dinamika ir molekuliniai redokso įvykiai generuoja atminties efektus, logiką ir sinapsei panašų plastiškumą. Tai leidžia suprasti, kurie cheminiai parametrų deriniai bus efektyvūs tam tikrai funkcijai pasiekti — pavyzdžiui, kurie ligandai skatina lėtą, bet stabilų būsenos išsaugojimą, o kurie suteikia greitą, bet laikinuosius perjungimus.
Tokia nuspėjimo galimybė yra esminė: ji reiškia, kad chemikai gali projektuoti molekulinius motyvus su tikslinėmis elektrinėmis savybėmis, o ne remtis vien tik bandymais ir klaidomis. Praktiniu požiūriu tai paverčia chemiją skaičiavimo architektūros kūrėja — medžiaginiu lygmeniu sukonstruotu keliu į įrenginius, kurie savaime mokosi. Be to, modeliai padeda identifikuoti jautriausias proceso vietas gamyboje, nurodo, kokius parametrus reikia kontroluoti, kad būtų sumažintas įrenginio variabilumas, ir įvertina, kaip cheminės modifikacijos paveiks energijos vartojimą bei patikimumą ilgalaikėje eksploatacijoje.
What this could mean for neuromorphic AI hardware
Įterpus saugojimą, skaičiavimą ir adaptacinį mokymąsi į tą pačią medžiagą, rutênio kompleksai rodo kelią į neuromorfinę aparatinę įrangą, kuri būtų kompaktiškesnė ir energijos atžvilgiu efektyvesnė už dabartinius tranzistoriais grįstus sprendimus. Vietoje to, kad duomenys būtų nuolat perduodami tarp atminties ir procesorių, vienas molekulinis sluoksnis galėtų atlikti abu vaidmenis, sumažindamas latentiją ir energijos sąnaudas — tai turi didelį pranašumą AI sprendimams periferijoje (edge AI) bei kitiems žemos energijos poreikio taikymams. Tokia integracija taip pat leidžia sumažinti laiką tarp jutimo ir sprendimo priėmimo, kas svarbu realiuoju laiku veikiančioms sistemoms, pavyzdžiui, autonominėms jutiklių stotims arba vietiniam duomenų analizavimui kameros ar įtaiso lygyje.
IISc komanda jau dirba prie molekulinių plėvelių integracijos su silicio platformomis, siekdama sukurti prototipinius aparatus, kurie sujungtų lustų patikimumą su adaptacinių medžiagų vidine „intelektualumu“. Jei pavyks, tokios hibridinės sistemos galėtų pagreitinti naujos kartos AI akceleratorius ir jutiklių mazgus, kurie mokosi iš vietinių duomenų realiuoju laiku. Be to, molekulinė architektūra suteikia galimybę lokalizuoti apdorojimą — tai mažina priklausomybę nuo debesų kompiuterijos ir gerina duomenų saugumą bei privatumą, kas yra svarbu pramoniniuose ir medicininiuose taikymuose.
Practical challenges and the road ahead
Vis dėlto svarbūs iššūkiai lieka. Skalabilumas, ilgalaikis stabilumas, pakartojama gamyba ir suderinamumas su esamomis gamybos schemomis turi būti demonstruojami ir optimizuojami. Jonų ir elektronų sąveika, kuri suteikia šioms medžiagoms jų gebėjimą adaptuotis, taip pat gali sukelti dreifą arba kintamumą ilgesniais laikotarpiais, todėl inžineriniai sprendimai, užtikrinantys ištvermę ir atkuriamumą, bus kritiškai svarbūs. Be to, būtina spręsti jautrumą aplinkos veiksniams — temperatūrai, drėgmei ir mechaniniams streso veiksniams, kurie gali pakeisti molekulių dinamiką ir elektrinį atsaką.
Tačiau tyrimo derinys — cheminis dizainas, eksperimentinė validacija ir nuspėjamoji teorija — pateikia aiškų veiksmų planą. Vietoje to, kad chemija būtų traktuojama tik kaip žaliava medžiagų tiekimo grandinėje, ši prieiga traktuoja cheminę struktūrą kaip projekto erdvę pačiam skaičiavimui. Tolimesni žingsniai apima procesų optimizavimą, integraciją su CMOS technologijomis, ilgaamžiškumo bandymus ir sistemos lygiu vertinimus su realiomis AI užduotimis. Tik atlikus tokius bandymus bus galima patikimai įvertinti, ar molekulinė adaptacija gali pasiūlyti tikrą veiksmingumo ir stabilumo pranašumą praktinėse taikymose.
Expert Insight
„Šis darbas primena, kad skaičiavimas nebūtinai turi apsiriboti griežtomis grandinėmis,“ sako dr. Laura Chen, neuromorfinės aparatinės įrangos tyrėja Institute for Advanced Systems. „Atminties, logikos ir plastiškumo įterpimas į vieną medžiaginį sluoksnį gali radikaliai sumažinti energijos sąnaudas ir vėlavimą AI sistemose. Svarbiausias uždavinys bus išversti šias perspektyvias molekulines reakcijas į pakartojamus, su lustais suderinamus procesus.“
Ar šie formos keičiančios molekulės pakeis tranzistorius? Tai mažiau svarbu nei paradigmos pasikeitimas, kurį jos atveria: medžiagos, kurios „skaičiuoja pagal dizainą“. Tyrėjams ir inžinieriams aiškūs sekantys etapai — integruoti, mastelinti ir testuoti šiuos molekulinius sluoksnius realiose AI užduotyse bei įvertinti, ar cheminiu pagrindu veikiančios adaptacijos gali pateikti reikalingą efektyvumą ir patikimumą šiuolaikinėms programoms. Sėkmingas perėjimas nuo laboratorinių eksperimentų prie pramoninių procesų reikalaus tarpdalykinio darbo, standartizacijos ir bendrų gamybinių sprendimų, tačiau potencialas pertvarkyti neuromorfines architektūras ir energijos efektyvumą yra reikšmingas.
Šaltinis: scitechdaily
Palikite komentarą