دانشمندان چینی نوعی حافظه مبتنی بر گرافن ساختند که داده را با یک الکترون ذخیره میکند و مصرف انرژی تراشههای هوش مصنوعی را کاهش میدهد. فهرست مطالب دانشمندان دانشگاه فودان نوعی حافظه مبتنی بر گرافن ساختند که داده را با یک الکترون ذخیره میکند و مصرف انرژی تراشههای هوش مصنوعی را کاهش میدهد. به گزارش سرویس سخت افزار تکناک، این فناوری با کاهش چشمگیر مصرف انرژی، راه را برای اجرای مدلهای هوش مصنوعی روی گوشیهای هوشمند و سایر دستگاههای قابل حمل بدون وابستگی گسترده به مراکز داده هموار میکند. حافظههای الکترونیکی امروزی برای ذخیره مطمئن اطلاعات به تعداد بسیار زیادی الکترون نیاز دارند. در فناوریهای رایج، هر بیت اطلاعات با استفاده از حدود ۲۰۰ هزار الکترون ذخیره میشود تا دادهها در برابر نویز و اختلالات الکتریکی پایدار باقی بمانند. همین نیاز بالا به الکترون، یکی از عوامل اصلی مصرف زیاد انرژی در تراشههای حافظه است و باعث میشود بخش مهمی از پردازشهای سنگین، از جمله اجرای مدلهای هوش مصنوعی، همچنان به مراکز داده بزرگ متکی باشد. ایده ذخیرهسازی اطلاعات در حافظه با تنها یک الکترون، سالها ذهن پژوهشگران را به خود مشغول کرده بود، اما تشخیص و کنترل یک الکترون منفرد در عمل بسیار دشوار است. چنین کاری به تشخیص کوچکترین تغییرات الکتریکی نیاز دارد و تاکنون هیچ فناوری نتوانسته بود این هدف را به شکلی پایدار و کاربردی محقق کند. مرتبط: ساخت حافظه فلش غیرفرار با سرعتی 10 هزار برابر بیشتر از فناوریهای فعلی 01 از 02فناوری Guiyi چگونه ذخیرهسازی با یک الکترون را ممکن کرد؟ تیم تحقیقاتی به سرپرستی «ژو پنگ»، استاد ریزالکترونیک دانشگاه فودان در شانگهای برای حل این مشکل از گرافن، مادهای دوبعدی با ضخامت یک اتم استفاده کرد. پژوهشگران با طراحی یک تراشه فلش دوبعدی، ساختار ذخیرهسازی الکترونها را به گونهای تغییر دادند که الکترونها درون آن محبوس بمانند و اثر حضور تنها یک الکترون به سیگنالی بسیار قویتر تبدیل شود. نتایج آزمایشها نشان داد سیگنال تولیدشده توسط یک الکترون در این سامانه حدود ۰٫۵ ولت است، در حالی که سامانههای آزمایشی پیشین تنها سیگنالهایی در حد چند ده میلیولت تولید میکردند. این اختلاف قابل توجه، تشخیص و کنترل یک الکترون را بسیار سادهتر و قابل اعتمادتر میکند. پژوهشگران نام Guiyi، به معنای «بازگشت به یک» را برای این فناوری انتخاب کردهاند. این نام از یک مفهوم در اندیشه بودایی چین الهام گرفته است و بر این ایده تأکید دارد که حتی کوچکترین اجزا نیز میتوانند ظرفیتی بسیار بزرگ داشته باشند و حقیقتهای بزرگ در یک نقطه به هم میرسند. فناوری Guiyi تنها به ذخیرهسازی داده با یک الکترون محدود نمیشود. این روش امکان بررسی رفتارهای کوانتومی مانند کوانتش ولتاژ برنامهریزی و برنامهریزی خودمحدودشونده را نیز فراهم کرده است. این ویژگیها میتوانند خواندن و نوشتن دقیق حالتهای کوانتومی مختلف را امکانپذیر کنند و در آینده ظرفیت ذخیرهسازی اطلاعات روی هر تراشه را افزایش دهند. مرتبط: ساخت نخستین تراشه هیبریدی دوبعدی-سیلیکونی جهان با بازده ۹۴ درصدی در چین 02 از 02برنامه تجاریسازی و آینده حافظههای دوبعدی اگر این فناوری به مرحله تولید انبوه برسد، میتواند معماری حافظههای رایج را متحول کند. کاهش شدید مصرف انرژی به دستگاههای قابل حمل اجازه میدهد پردازشهای بیشتری را به صورت محلی انجام دهند و وابستگی به پردازش ابری کاهش یابد. چنین قابلیتی بهویژه برای اجرای مدلهای هوش مصنوعی روی گوشیهای هوشمند، تبلتها و تجهیزات لبه شبکه اهمیت زیادی خواهد داشت. ژو پنگ اعلام کرده است که قصد دارد تا پایان سال جاری یک شرکت برای تجاریسازی این فناوری تأسیس کند. به گفته او، هدف این است که این حافظه طی پنج سال آینده وارد بازار شود. او همچنین تأکید کرده است این فناوری ابتدا باید وارد مرحله تولید انبوه شود و پس از آن میتواند روشهای فعلی ذخیرهسازی داده را متحول و صنعت حافظه را دگرگون کند. این نخستین دستاورد بزرگ تیم دانشگاه فودان در حوزه حافظه نیست. این گروه سال گذشته فناوری PoX را به عنوان سریعترین حافظه غیرفرار جهان معرفی کرد و شش ماه بعد نیز چارچوب Changying را توسعه داد. این چارچوب امکان ترکیب فناوری PoX با سختافزارهای مبتنی بر سیلیکون را فراهم میکند و نخستین تراشه حافظه فلش هیبریدی دوبعدی-سیلیکونی جهان را شکل میدهد. پژوهشگران معتقد هستند ترکیب فناوریهای Guiyi، PoX و Changying میتواند نسل جدیدی از حافظههای فوقکممصرف را به وجود آورد. چنین حافظههایی علاوه بر افزایش ظرفیت ذخیرهسازی، سرعت بالاتر و مصرف انرژی بسیار کمتری خواهند داشت و اجرای مستقیم مدلهای هوش مصنوعی روی گوشیهای هوشمند، لپتاپها و سایر دستگاههای قابل حمل را امکانپذیر میکنند. در صورت موفقیت در تولید انبوه، این فناوری میتواند وابستگی به مراکز داده بزرگ را کاهش دهد، هزینه پردازش هوش مصنوعی را پایین بیاورد و مسیر تازهای برای توسعه نسل آینده تراشههای حافظه و تجهیزات هوشمند باز کند.
