Сегодня - 27.11.2020

Вперёд, к совершенной памяти

12 мая 2016

Искусственный интеллект, хоть уже и выигрывает у чемпионов в го, ещё далёк от идеала. Например, пока он не способен отличить кота от совы. Сделать компьютеры более похожими на человеческий мозг поможет разработка учёных из Института физики полупроводников им. А. В. Ржанова СО РАН.

Современные системы искусственного интеллекта основаны на нейронных сетях, которые, как правило, представляют собой гиперпрограммы. Они уже отлично научились распознавать графические объекты и сопоставлять символы, но всё ещё теряются в определении более сложных образов — например, лиц. Так, из-за визуальной схожести совы принимаются подобными программами за котов. А значит, даже самый примитивный человеческий мозг пока гораздо эффективнее, чем любой суперкомпьютер.
 
 
«Всё дело в том, что в машинах вычисления идут в одно месте, а информация хранится в другом. Между этими модулями есть некий производственный слой — и именно он сегодня является «узким местом». Мы можем иметь сколь угодно быстрые вычислители и сколь угодно объёмную память, но всё определяется возможностями этой самой шины обмена данными, — рассказывает старший научный сотрудник Лаборатории физических основ материаловедения кремния ИФП СО РАН кандидат физико-математических наук Дамир Ревинирович Исламов. — В мозге же обе эти функции осуществляются в одном месте. То есть, группа нейронов является и вычислителем, и памятью одновременно. И поскольку все они работают параллельно, это приводит к очень большой производительности».
 
Решить проблему возможно с помощью нейроморфных систем — тех, которые имитировали бы работу биологических структур головного мозга. На сегодняшний день в научной литературе опубликовано очень много работ, посвященных данной тематике. Пока большинство из них сводятся к моделированию. И оно показывает: если подобную систему удастся реализовать на аппаратном уровне, то она будет работать достаточно быстро. Возьмём, например, постановочные задачи «выхода из лабиринта». При классическом решении нам придётся перебрать все возможные варианты. Моделирование же нейроморфных систем говорит о том, что решение можно найти всего за два шага. Вычисление лабиринта здесь ведётся параллельно на всей матрице, она же хранит на себе все текущие состояния. Первый шаг приводит к тому, что модуль настраивается, а уже со вторым выбирается оптимальный путь. Сложность вариантов здесь не важна: матрица размером миллион на миллион клеток будет обработана так же быстро, как и матрица размером сто на сто.
 
Важным составляющим нейроморфных систем должно стать приспособление под названием мемристор. Когда в 1971 году профессор Калифорнийского университета Леон Чуа строил теорию электрических цепей,  у него не хватало элемента, который связал бы магнитный поток и заряд. Он его ввёл теоретически, и оказалось, что вольтамперная характеристика этого элемента (зависимость тока от приложенного напряжения) должна содержать состояния с высоким и низким сопротивлением.
 

Мемристор (англ. memristor, от memory — «память», и resistor — «электрическое сопротивление») — пассивный элемент, способный изменять своё сопротивление в зависимости от протекавшего через него заряда. 

 
До некоторого времени Леон Чуа был уверен, что в реальности мемристора  не может быть, и его работа — просто красивая теория. Тем не менее, параллельно в физике твердого тела был открыт эффект резистивных переключений (долгое время он был невостребованным, учёные не знали, куда его применить, и более того — не могли понять, каковы его причины). 
 
«Когда мы возьмём структуру металл-диэлектрик-металл  и приложим импульс напряжения, то в диэлектрике происходит пробой, и через него начинает течь большой ток. Эффект резистивного переключения заключается в том, что если мы теперь приложим импульс напряжения обратной полярности, то диэлектрик переходит в состояние с высоким сопротивлением, то есть, снова становится диэлектриком. Так можно производить переключение этого слоя достаточно большое количество раз, и каждое из этих состояний будет устойчивым во времени, стабильным», — объясняет Дамир. 
 
 
В 2008 году выходец из России американский учёный Дмитрий Струков заметил, что прибор «металл-диэлектрик-металл» обладает точно такой же вольтамперной характеристикой, как и придуманный Леоном Чуа, хотя никакого магнитного потока здесь и не наблюдается. В «Nature» вышла статья под заголовком «Потерянный мемристор найден», и сразу после этого к этим приборам появился огромный интерес. Они открывают перспективы для создания энергонезависимой памяти, существенно превосходящей флеш память. В последней переключение из одного состояния в другое занимает одну десятую долю секунды. В мемристорах же всё это будет происходить за время порядка одной наносекунды, то есть они будут работать в сто миллионов раз быстрее. Такая память сможет функционировать на частотах, сравнимых с современными суперкомпьютерами, и заменить одновременно оперативную память, жёсткие диски и флешки. 
 
Ключевую роль в пригодности мемристоров для создания нейроморфных систем сыграло наличие между областями с высокой и низкой сопротивлениями  промежуточных состояний, в которые получается перейти, если прикладывать меньшие по времени импульсы. Именно эти состояния позволяют увеличить плотность и объём энергонезависимой памяти, хранить в одной ячейке не один бит информации, а два или даже больше.
 
Однако здесь есть и проблемы. Они заключаются в умении предсказывать свойства мемристора, понимать, в какое состояние он переключится при приложении определённого импульса напряжения. Для этого необходимо, с одной стороны, построить физическую модель переключения интересующего участка, а с другой — выяснить свойства проводимости в каждом из промежуточных состояний (между областями высокого и низкого сопротивления). Созданием таких моделей занимаются исследователи из ИФП СО РАН.
 
«Мы установили механизм проводимости в двух крайних состояниях: высокоомном и низкоомном. Оказалось, что в первом за неё отвечают дефекты, в роли которых оказываются вакансии атомов кислорода. То есть, здесь резистивные переключения наблюдаются в том случае, если в качестве диэлектрика выступают оксиды металлов или кремния. Дефекты локализуют на себе электрон, тот перескакивает между ними, и таким образом происходит перенос электрического заряда. И чем больше вакансий кислорода встречается на пути электрона, тем ему проще осуществлять это движение, что приводит к увеличению тока», — рассказывает Дамир Исламов.
 

В процессе переключения в диэлектрическом слое на дефектах случается локальный разогрев. Он достигает температур 600-900 °C , локализуется на масштабах порядка одного нанометра и длится порядка наносекунд. Как только происходит переключение, всё остывает.

 
Также исследователи определили: для перескакивания заряда через дефекты необходимо, чтобы ему «помогали» и колебания кристаллической решётки. Эти колебания можно описать с помощью квазичастиц фононов (многофононная теория) — именно они позволяют качественно и количественно объяснять экспериментальные данные. Базовым материалом мемристора, для которого будет производиться  моделирование и на котором пройдут первые физические опыты, учёные выбрали оксид гафния. Он не единственный подходит под эти цели, но в отличие от других уже используется в электронике, и для него уже отработаны технологические процессы и режимы.
 
 
Описать другое крайнее состояние — с низким сопротивлением — исследователям также помогла многофононная теория. Оказалось, что количество дефектов в этом случае должно быть настолько большим, что каждый десятый атом кислорода здесь будет отсутствовать. Такие вещества уже нельзя считать оксидами, для них существует определение «субоксиды».
 
«Мы предположили, что в массиве матрицы оксида гафния существуют некие металлические капли этого субоксида. Их размер у нас получился порядка одного нанометра — именно на таких величинах, по версии различных результатов моделирования, происходят все процессы переключения, — объясняет Дамир. —  Мы пришли к выводу, что  состояние с низким сопротивлением характеризуется перестройкой кристаллической структуры, при которой дефекты как бы группируются, что как раз и приводит к образованию металлических капель гафния и его субоксида».
 

Недавно исследователи ИФП СО РАН выпустили статью в высокорейтинговом журнале  «Phisics Reports», в которой сделали обзор оптических и электронных свойств оксида гафния. Они проанализировали, всё, что сейчас делается в этой области, и отобрали методики, дающие непротиворечивые результаты

 
Таким образом, учёные смогли объяснить два крайних состояния, а дальше уже возникает вопрос: к какому из них ближе промежуточные? «Скорее всего, имеет место плавный переход от одной структуры к другой. Как он происходит, для нас является вопросом. Для того чтобы это понять, необходимо построить модель переключения, которая учитывает и тепловые эффекты, и наличие внешнего электрического поля, и то, что у нас имеются нелинейные эффекты в диэлектриках. Возможно, есть какое-то воздействие от электродов», — продолжает Дамир.
 
Задача исследователей  — научиться прогнозировать свойства мемристора после воздействия напряжения определённых длительности и величины. А также необходимо ответить на вопрос: какой импульс нужно приложить, чтобы прийти из одного состояния в другое? Для начала планируется построить теоретическую модель, а далее её необходимо сравнить с результатами экспериментальных исследований — для уточнения значений и значимости некоторых параметров, некоторые из которых по причине упрощения в компьютерной модели не учитываются.  
 
«Если мы создадим модель, описывающую мемристор, то сможем выработать рекомендации для технологов, какие режимы работы необходимы для синтеза таких структур. С одной стороны, это позволит сделать матрицы быстрой и энергонезависимой памяти, работающей со скоростью оперативной. С другой, мы сможем понять, какие инструменты необходимо  выбирать для проектирования элементов нейроморфной электроники. Как только будет построена модель нейроморфной  матрицы, можно будет приступить к созданию такой структуры уже на чипе», — говорит Дамир Исламов.
 
Диана Хомякова
 
Фото из открытых источников
 
Голосов еще нет
Поделись с друзьями: 

Система Orphus