AIチップが時間感覚を獲得する可能性(AI chips could get a sense of time)

ad

2024-05-20 ミシガン大学

ミシガン大学の研究者が発表した新しいメモリスタは、時間依存情報(音声や動画データ)を効率的に処理できる可能性があります。メモリスタは電気抵抗に情報を記憶し、従来のGPUに比べてAIのエネルギー消費を約90分の1に削減します。この新技術は、異なる緩和時間を持つ材料を使用してメモリスタネットワークが時間管理機構を模倣できるようにします。研究チームは、YBCO基盤に様々な酸化物を配置し、緩和時間を調整することで、0から9までの音声認識を実現しました。この技術は、将来的にスケーラブルで手頃な価格の製造方法に発展する可能性があります。

<関連情報>

調整可能なエントロピー安定化酸化物メモリスターを用いた効率的なデータ処理 Efficient data processing using tunable entropy-stabilized oxide memristors

Sangmin Yoo,Sieun Chae,Tony Chiang,Matthew Webb,Tao Ma,Hanjong Paik,Yongmo Park,Logan Williams,Kazuki Nomoto,Huili G. Xing,Susan Trolier-McKinstry,Emmanouil Kioupakis,John T. Heron & Wei D. Lu
Nature Electronics  Published:20 May 2024
DOI:https://doi.org/10.1038/s41928-024-01169-1

extended data figure 1

Abstract

Memristive devices are of potential use in a range of computing applications. However, many of these devices are based on amorphous materials, where systematic control of the switching dynamics is challenging. Here we report tunable and stable memristors based on an entropy-stabilized oxide. We use single-crystalline (Mg,Co,Ni,Cu,Zn)O films grown on an epitaxial bottom electrode. By adjusting the magnesium composition (XMg = 0.11–0.27) of the entropy-stabilized oxide films, a range of internal time constants (159–278 ns) for the switching process can be obtained. We use the memristors to create a reservoir computing network that classifies time-series input data and show that the reservoir computing system, which has tunable reservoirs, offers better classification accuracy and energy efficiency than previous reservoir system implementations.

ad
0403電子応用
ad
ad


Follow
ad
タイトルとURLをコピーしました