செய்திகளில் ஏன்?
கேம்பிரிட்ஜ் பல்கலைக்கழகத்தின் (University of Cambridge) ஒரு குழு மிகக் குறைந்த மின்னோட்டங்களில் (currents) செயல்படும் மெம்ரிஸ்டரை (memristor) உருவாக்கியுள்ளது, இது செயற்கை நுண்ணறிவு வன்பொருளின் (artificial intelligence hardware) ஆற்றல் நுகர்வை 70 சதவீதம் வரை குறைக்கும். இந்த கண்டுபிடிப்பு (innovation) மிகவும் திறமையான நரம்பியல் கணினி (neuromorphic computing) மற்றும் ஆன்-டிவைஸ் கற்றலுக்கு (on‑device learning) வழி வகுக்கிறது.
பின்னணி
மெம்ரிஸ்டர் என்பது ஒரு அடிப்படை சர்க்யூட் கூறு (fundamental circuit component) ஆகும், அதன் மின்தடை (resistance) அதனுடாக பாய்ந்த மின்னோட்டத்தின் வரலாற்றைப் பொறுத்தது. 1971 இல் முன்மொழியப்பட்டு 2000 களில் உணரப்பட்ட மெம்ரிஸ்டர்கள் தரவைச் சேமிக்கலாம் மற்றும் லாஜிக் செயல்பாடுகளை (logic functions) ஒரே சாதனத்தில் செய்ய முடியும். மூளை போன்ற கணினி அமைப்புகளுக்கு (brain‑like computing systems) அவை உறுதியளிக்கின்றன, ஏனெனில் அவற்றின் நடத்தை சினாப்டிக் பிளாஸ்டிசிட்டியைப் (synaptic plasticity) பிரதிபலிக்கிறது - பயன்படுத்துவதன் மூலம் நியூரான்களுக்கு இடையிலான தொடர்புகள் வலுவடைவது அல்லது பலவீனமடைவது போல.
இந்த சாதனத்தின் புதிய அம்சம் என்ன?
- P-n சந்திப்பு வடிவமைப்பு (P‑n junction design): p-வகை மற்றும் n-வகை குறைக்கடத்திகளை (p‑type and n‑type semiconductors) ஒத்த நுண்ணிய பகுதிகளை (microscopic regions) உருவாக்க ஸ்ட்ரோண்டியம் மற்றும் டைட்டானியம் (strontium and titanium) கலந்த ஹாஃப்னியம் ஆக்சைடின் (hafnium oxide) மெல்லிய படலத்தை ஆராய்ச்சியாளர்கள் பயன்படுத்தினர். உலோக இழைகளை (metal filaments) உருவாக்குவதற்குப் பதிலாக இந்தப் பகுதிகளுக்கு இடையிலான ஆற்றல் தடையை மாற்றுவதன் மூலம் மாறுதல் நிகழ்கிறது, இது மென்மையான மற்றும் நம்பகமான செயல்பாட்டை செயல்படுத்துகிறது.
- அல்ட்ரா-குறைந்த ஆற்றல் (Ultra‑low power): வழக்கமான சாதனங்களுக்குத் தேவையான மின்னோட்டங்களை விட ஒரு மில்லியன் மடங்கு குறைவான மின்னோட்டத்தைப் (currents) பயன்படுத்தி மெம்ரிஸ்டர் பல கடத்துத்திறன் நிலைகளுக்கு (conductance states) மாறலாம் மற்றும் வைத்திருக்க முடியும், இது ஆற்றல் நுகர்வைக் கணிசமாகக் குறைக்கிறது.
- பல நிலைகள் (Multiple states): இது டஜன் கணக்கான நிலையான கடத்துத்திறன் நிலைகளை (stable conductance levels) ஆதரிக்கிறது, அனலாக் தகவலை குறியாக்கம் செய்யவும் மற்றும் நீண்ட கால பொட்டன்சியேஷன் (long‑term potentiation) மற்றும் டிப்ரசன் போன்ற சினாப்டிக் கற்றல் விதிகளை (synaptic learning rules) செயல்படுத்தவும் அனுமதிக்கிறது.
- சவால்கள்: சாதனத்தைத் தயாரிப்பதற்கு அதிக வெப்பநிலை (சுமார் 900 °C) தேவைப்படுகிறது, இது தற்போதுள்ள சிலிக்கான் செயல்முறைகளுடனான இணக்கத்தன்மையைக் கட்டுப்படுத்தலாம். தெர்மல் பட்ஜெட்டை (thermal budget) குறைப்பதற்கான வழிகளை ஆராய்ச்சியாளர்கள் ஆராய்ந்து வருகின்றனர்.
முக்கியத்துவம்
- ஆற்றல்-திறனுள்ள AI (Energy‑efficient AI): இத்தகைய மெம்ரிஸ்டர்களை செயலிகளில் ஒருங்கிணைப்பது ஸ்மார்ட்போன்கள், அணியக்கூடிய சாதனங்கள் மற்றும் எட்ஜ் கம்ப்யூட்டிங்கில் (edge computing) பயன்படுத்தப்படும் இயந்திர-கற்றல் மாதிரிகளின் (machine‑learning models) ஆற்றல் தேவைகளை குறைக்கும்.
- நரம்பியல் கம்ப்யூட்டிங் (Neuromorphic computing): சினாப்டிக் நடத்தையை (synaptic behaviour) நெருக்கமாகப் பிரதிபலிப்பதன் மூலம், மனித மூளையைப் போல கற்றுக் கொள்ளும் மற்றும் மாற்றியமைக்கும் வன்பொருளை சாதனங்கள் செயல்படுத்தலாம், நிகழ்நேர வடிவ அங்கீகாரம் (real‑time pattern recognition) மற்றும் அடாப்டிவ் கட்டுப்பாட்டிற்கான (adaptive control) பாதைகளைத் திறக்கும்.
- பொருள் அறிவியலில் முன்னேற்றங்கள்: கவனமாக வடிவமைக்கப்பட்ட ஆக்சைடுகள் மின்னணு சாதனங்களில் எவ்வாறு புதிய செயல்பாட்டை (new functionality) வழங்குகின்றன என்பதை இந்த பணி காட்டுகிறது, நிலையற்ற அல்லாத நினைவக கூறுகள் (non‑volatile memory elements) குறித்த மேலதிக ஆராய்ச்சியை ஊக்குவிக்கிறது.
ஆதாரம்: தி இந்து
