El hardware neuromórfico de consumo ultrabajo es prometedor para la computación de IA con eficiencia energética.

Un equipo que incluye investigadores de la Facultad de Ingeniería de la Universidad Nacional de Seúl ha desarrollado un hardware neuromórfico capaz de realizar cálculos de inteligencia artificial (IA) con un consumo de energía ultrabajo.

La investigación aborda cuestiones fundamentales en los materiales y dispositivos semiconductores inteligentes existentes, al tiempo que demuestra el potencial de la tecnología a nivel de matriz.

Actualmente, se consumen grandes cantidades de energía en la computación paralela para procesar grandes datos en varios campos, como Internet de las cosas (IoT), análisis de datos de usuarios, IA generativa, modelos de lenguaje grande (LLM) y conducción autónoma.

Sin embargo, la computación de semiconductores CMOS basada en silicio convencional que se utiliza para la computación paralela enfrenta problemas como un alto consumo de energía, velocidades de memoria y procesador más lentas y las limitaciones físicas de los procesos de alta densidad.

Esto da como resultado problemas de energía y emisiones de carbono, a pesar de las contribuciones positivas de la IA a la vida diaria.

Para abordar estos desafíos, es necesario superar las limitaciones de la computación de arquitectura de Von Neumann basada en digital.

Por ello, el desarrollo de hardware neuromórfico inteligente basado en semiconductores de última generación que imite los principios de funcionamiento del cerebro humano se ha convertido en una tarea crítica.

El cerebro humano consta de aproximadamente 100 mil millones de neuronas y 100 billones de conexiones sinápticas.

Las sinapsis almacenan información interrelacionada a través de pesos sinápticos y realizan cálculos y razonamientos, y sirven como unidades básicas de inteligencia.

El hardware neuromórfico basado en dispositivos semiconductores inteligentes que imitan las operaciones sinápticas del cerebro se basa en dispositivos memristores capaces de almacenar múltiples estados de resistencia, aprovechando esos pesos para el cálculo.

Sin embargo, los óxidos metálicos amorfos ampliamente investigados que se utilizan para los memristores funcionan a través de filamentos conductores, lo que lleva a la acumulación de carga solo en áreas específicas.

Esto da como resultado ajustes de peso sináptico asimétricos y no lineales, lo que conduce a imprecisiones en el cálculo paralelo y baja eficiencia energética.

Para abordar esta cuestión, el Dr. Seung Ju Kim y el Profesor Ho Won Jang se centraron en la alta movilidad iónica de los materiales de perovskita de haluro, que habían estado atrayendo la atención como materiales para células solares y LED de próxima generación.

Se concentraron en el desarrollo de dispositivos neuromórficos basados ​​en materiales híbridos orgánicos-inorgánicos.

El equipo de investigación descubrió que en los materiales de perovskita bidimensionales de nuevo diseño, los iones se pueden distribuir uniformemente por toda la superficie del semiconductor.

Este avance permitió la implementación exitosa del control de peso sináptico ultralineal y simétrico, que antes era inalcanzable con los semiconductores inteligentes convencionales.

Los principios teóricos de este mecanismo se probaron a través de cálculos de primeros principios realizados por un equipo de POSTECH.

Al aprovechar el rendimiento del dispositivo desarrollado, los investigadores evaluaron la precisión de los cálculos de IA realizados en hardware.

Confirmaron que no solo con pequeños conjuntos de datos como MNIST y CIFAR, sino también con grandes conjuntos de datos como ImageNET, el dispositivo podía realizar inferencias con un margen de error notablemente pequeño de menos del 0,08 % dentro de los límites teóricos.

Además, a través de una investigación colaborativa con la Universidad del Sur de California, se demostró que los cálculos de IA podrían acelerarse con un consumo de energía ultrabajo, no solo a nivel de dispositivo sino también a nivel de matriz.

Se espera que esta investigación, que mejora significativamente la eficiencia energética de los materiales y dispositivos semiconductores inteligentes, contribuya en gran medida a reducir el consumo total de energía en los cálculos de IA.

Además, al permitir un control de peso sináptico ultralineal y simétrico, puede mejorar significativamente la precisión de los cálculos de IA y tiene potencial de aplicación en varios campos, como la conducción autónoma y el diagnóstico médico.

Además, se prevé que esta tecnología impulse avances en tecnologías de hardware de IA de próxima generación, así como innovaciones en la industria de los semiconductores.

La tecnología desarrollada en este estudio es una versión mejorada de la tecnología presentada hace tres años en un artículo destacado publicado por el Dr. Kim y el Prof. Jang en la revista Materials Today.

Actualmente, se están revisando solicitudes de patente tanto en Corea del Sur como en los Estados Unidos.

El profesor Jang, que dirigió la investigación, comentó:

“Este estudio proporciona datos fundamentales para resolver los problemas fundamentales de los dispositivos semiconductores inteligentes de próxima generación.

La importancia radica en demostrar que el movimiento uniforme de iones a través de la superficie del material es más importante para desarrollar hardware neuromórfico de alto rendimiento que la creación de filamentos localizados en materiales semiconductores“.

Fuente: Nature nanotechnology

Artículos relacionados:

Crean chip neuromórfico para dotar de inteligencia artificial a la electrónica de consumo Desarrollan dispositivo para reducir el consumo de energía de IA en un factor de al menos 1000 Construyen sistema visual artificial con mínimo consumo de energía Dispositivo neuromórfico con nanotecnología dota a la microrrobótica de visión en color Trabajan en hardware revolucionario para acelerar la inteligencia artificial Desarrollan almacenamiento magneto-óptico de cero consumo de energía