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 hardware neuromórfico capaz de realizar cálculos de inteligencia artificial (IA) con un consumo de energía ultrabajo. La investigación, publicado en el diario Nanotecnología de la naturalezaaborda cuestiones fundamentales en los materiales y dispositivos semiconductores inteligentes existentes y, al mismo tiempo, demuestra el potencial de la tecnología a nivel de matriz.

Actualmente, se consumen grandes cantidades de energía en la computación paralela para procesar big data en diversos campos, como Internet de las cosas (IoT), análisis de datos de usuarios, IA generativa, grandes modelos de lenguaje (LLM) y conducción autónoma. Sin embargo, la computación con semiconductores CMOS convencional basada en silicio utilizada para la computación en paralelo enfrenta problemas como un alto consumo de energía, velocidades más lentas de memoria y procesador, y las limitaciones físicas de los procesos de alta densidad. Esto genera 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 informática de arquitectura Von Neumann basada en lo digital. Como tal, el desarrollo de hardware neuromórfico inteligente basado en semiconductores de próxima 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, sirviendo como unidades básicas de inteligencia.

El hardware neuromórfico basado en dispositivos semiconductores inteligentes que imitan las operaciones sinápticas del cerebro se basa en dispositivos de memristor 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 sólo en áreas específicas. Esto da como resultado ajustes de peso sinápticos asimétricos y no lineales, lo que conduce a imprecisiones en el cálculo paralelo y una 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 desarrollar dispositivos neuromórficos basados ​​en materiales híbridos orgánicos-inorgánicos. El equipo de investigación descubrió que en los materiales de perovskita bidimensionales recientemente diseñados, los iones pueden distribuirse uniformemente por la superficie del semiconductor.

Este avance permitió la implementación exitosa del control de peso sináptico simétrico y ultralineal, que antes era inalcanzable con los semiconductores inteligentes convencionales. Los principios teóricos de este mecanismo fueron probados mediante cálculos de primeros principios realizados por un equipo de POSTECH.

Aprovechando el rendimiento del dispositivo desarrollado, los investigadores evaluaron la precisión de los cálculos de IA realizados en hardware. Confirmaron que no sólo con conjuntos de datos pequeños como MNIST y CIFAR, sino también con conjuntos de datos grandes como ImageNET, el dispositivo podía realizar inferencias con un margen de error notablemente pequeño, inferior al 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 se pueden acelerar 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 general de energía en la computación con IA. Además, al permitir el control de peso sináptico simétrico y ultralineal, puede mejorar significativamente la precisión de los cálculos de la IA y tiene potencial de aplicación en diversos campos, como la conducción autónoma y el diagnóstico médico. Además, se prevé que esta tecnología impulse avances en las 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 Materiales hoy. Actualmente se están revisando solicitudes de patentes tanto en Corea del Sur como en Estados Unidos.

El profesor Jang, que dirigió la investigación, comentó: «Este estudio proporciona datos fundamentales cruciales para resolver los problemas fundamentales de los dispositivos semiconductores inteligentes de próxima generación. La importancia radica en demostrar que el movimiento uniforme de los iones a través de la superficie del material es más importante para desarrollar hardware neuromórfico de alto rendimiento que crear filamentos localizados en materiales semiconductores».

Proporcionado por la Facultad de Ingeniería de la Universidad Nacional de Seúl