降低 70% AI 系統耗能！劍橋大學發表神經形態運算元件，如何突破馮紐曼架構耗電瓶頸？
耗能是當前 AI 硬體面臨的關鍵挑戰之一，英國劍橋大學領導的研究團隊近期發表一項突破，開發出一種受人腦啟發的奈米電子元件，有望將 AI 系統的能耗降低高達 70%，為硬體瓶頸提供新的解法。
這項研究成果已發表於學術研究期刊《Science Advances》，並被視為推動「神經形態運算」（neuromorphic computing）邁向實用化的重要一步。
傳統架構的痛點：資料搬運消耗龐大電力
劍橋大學指出，現今的 AI 系統高度仰賴傳統的電腦晶片架構，這些晶片必須不斷地在記憶體和處理單元之間來回傳輸資料。這種資料的持續移動（即所謂的馮紐曼瓶頸）不僅拖慢了運算速度，更消耗了大量的電力。
為此，科學家將目光轉向了神經形態運算，也就是一種模仿大腦神經元運作方式的替代方案。與傳統晶片不同，大腦能夠在同一個位置同時進行資訊的儲存與處理。透過參考這種神經架構，神經形態系統不僅能大幅減少資料傳輸的能量損耗，還能具備如同大腦般學習與適應的靈活性。
更關鍵的是，該團隊開發的憶阻器並非傳統設計，而是透過改良材料結構，解決過去技術難以穩定運作的問題。
技術細節：捨棄不穩定的導電絲
要實現神經形態運算，關鍵在於一種名為「憶阻器」（memristor）的電子元件，這是一種設計用來模仿大腦中神經元連結（突觸）效率的微小組件。
然而，傳統憶阻器多依賴在材料中形成「導電細絲」（filaments）來改變電阻，但這種機制具有高度隨機性，穩定性不足，且需要較高電壓，難以大規模應用。而劍橋團隊改採不同策略：透過在氧化鉿（hafnium oxide）中加入鍶與鈦，並採用雙階段製程，成功在氧化物層的交界面內，創造出微小的電子閘門（p-n 接面）。
這項結構設計的突破在於，裝置不再依賴導電絲的生長或斷裂，而是透過改變交界面的能量障壁高度，平滑地調整電阻。Bakhit 博士指出，因為是在介面進行切換，這些裝置展現出了極佳的均勻性，徹底解決了傳統導電絲裝置行為高度隨機且不穩定的致命傷。
百萬分之一的電流與未來商業化挑戰
這款新型的鉿基薄膜裝置展現了驚人的效能，其切換電流僅約 10 奈安培（nanoamps）以下，比某些傳統氧化物裝置低了約一百萬倍。此外，該裝置能產生數百個穩定且獨特的電導位階，這對於模擬大腦的類比式「記憶體內運算」（in-memory computing）來說是不可或缺的條件。
在實驗室測試中，這些憶阻器能可靠地承受數萬次的切換循環，並能將編程狀態儲存約一天的時間。它們甚至重現了生物學中觀察到的基本學習法則，例如「脈衝時序依賴可塑性」（spike-timing dependent plasticity），這意味著硬體可以根據訊號到達的時間來增強或減弱連接，真正具備了學習與適應的能力，而不僅僅是儲存位元。
然而，雖然這項技術極具顛覆性，但是在實際商業化與晶片整合上仍面臨挑戰。根據該研究，目前的製造過程需要高達 700 °C 的高溫，超出了標準半導體（CMOS）製造所能容忍的極限。
「這是目前我們裝置製造過程中的主要挑戰，」Bakhit 博士坦言，「但我們正在尋找降低溫度的方法，使其更能與標準工業製程相容。」
【推薦閱讀】
◆ ASML 霸權迎來變數？挪威新創獲微軟 M12 投資，氦原子束如何顛覆 EUV 極限
＊本文開放合作夥伴轉載，資料來源：University of Cambridge、SciTechDaily、tom’s Hardware，首圖來源：University of Cambridge