ترانزیستور مایع آی‌بی‌ام و پردازشی شبیه مغز

  • توسط احمد شریف‌پور
  • 4 سال قبل
  • ۳

دهه‌ها است که ترانزیستور جز اصلی دستگاه‌های الکترونیکی ما، از تلفن هوشمند تا کامپیوتر است. این فناوری در این مدت پیشرفت‌های اندکی (البته فارغ از کوچک شدن اندازه گیت‌ها) داشته است. اما گروهی از محققین آی‌بی‌ام، تغییری اساسی در این فناوری بوجود آورده‌اند و ادعا می‌کنند که با این شیوه می‌توانند کامپیوترهایی بسازند که کارکردشان به مغز انسان نزدیک‌تر باشد.

ibm-transistor


آگهی متنی میان‌متنی:
برنامه‌ریزی روزانه به شیوهٔ افراد موفق و ثروتمند را بیاموزید (کتاب الکترونیک رایگان)


اگر این ادعاها درست باشد، آی‌بی‌ام می‌تواند کامپیوترهایی کاراتر بسازد که به توان مصرفی بسیار کمتری نیاز داشته باشند. این امر ممکن است به انقلابی در حوزه تجهیزات همراه منجر شود که امروزه عمر کوتاه باتری مشکل مشترک تمام آن‌ها است. کل این روند چندان به حرکت مایعات دارای بار الکتریکی در مغز ما بی‌شباهت نیست. اگر مغز می‌تواند این کار را بکند، ممکن است یک ماده مصنوعی هم بتواند همین عمل را انجام دهد.

این فناوری متکی به ماده‌ای است که «اکسیدهای الکترونی همبسته» یا Correlated Electron Oxides نام دارد که می‌تواند با یک مایع یونی (یا هر ترکیبی که نیمی از مولکول‌های آن بار مثبت و نیمی بار منفی داشته باشند)  ترکیب شود. زمانی که یک ولتاژ اندک به مایع اعمال شود، ذرات باردار به دو سمت مقابل ماده اکسید منقل می‌شوند. این بار الکتریکی ماده اکسید را ترک کرده و وارد مایع می‌شود. به این ترتیب وضعیت رسانایی آن را به حالت نارسانا به حالت رسانا تبدیل می‌کنند.

ibm-transistor-2

این مایع وضعیت خود را تا اعمال شارژ بعدی حفظ می‌کند. این بخش از تحقیق دستاورد جدید و امیدبخشی است. آی‌بی‌ام معتقد است که این فناوری از یک سو می‌تواند به ساخت حافظه‌های پایدار (غیر فرار که برای حفظ داده‌ها نیازی به حفظ جریان ندارند) منجر شود و از سوی دیگر منشا بوجود آمدن تراشه‌هایی شود که انرژی بسیار کمتری نسبت به تراشه‌های سیلیکونی کنونی مصرف می‌کنند.

استوارت پارکین (Stuart Parkin) محقق ارشد این پروژه گفته است که گروهش چندین سال روی این پروژه کار کرده‌اند. او می‌افزاید: «ما از جریان‌های کوچک یون‌های تولید شده توسط این سیگنال‌های الکتریکی استفاده می‌کنیم تا حالت ماده اکسید را تغییر دهیم. این روشی برای ساخت دستگاه‌های کم‌مصرف و پربازده از طریق قطع و وصل کردن رسانایی آن‌ها است. ما این ماده را به حالت رسانا می‌بریم و بعد بدون نیاز به انرژی این حالت را حفظ می‌کنیم.»

پیشرفت تراشه‌های سیلیکونی سال‌ها است که از قانون مور تبعیت می‌کند. اما بسیاری معتقدند که سرعت این پیشرفت‌ها و تحولات به تدریج با رسیدن فناوری نیمه‌هادی‌ها به حد نهایی اندازه خود (اتم‌ها) کاهش خواهد یافت. آی‌بی‌ام در حال یافتن راه‌حل‌های ممکن برای چنین شرایطی است. یکی از این راه‌حل‌ها ایجاد تراشه‌های نیمه‌هادی است که همانند مغز انسان کار می‌کنند.

پارکین اعلام کرده است که با گستردن الکترولیت مایع یونی باردار بر روی یک ماده خاص توانسته‌اند به حالت‌های پایدار رسانا و نارسانا دست پیدا کنند. به این ترتیب راه برای ساخت ترانزیستورها و گیت‌های منطقی مبتنی بر اکسید هموار خواهد شد.

ibm-transistor-3

پارکین می‌گوید: «این راه‌حلی در برابر کند شدن قانون مور است. مغز و نحوه کارکرد آن الهام‌بخش ما در این تحقیق بوده است. مغز پر از مایع و جریان‌های یونی است. ما می‌توانیم دستگاه‌هایی بسازیم که شباهت بیشتری با مغز داشته باشند.» تصویر بالا نمونه‌ای از مدار نانومایع را نشان می‌دهد. این مدار با عبور دادن مایع یونی (سبز رنگ) از درون کانال‌هایی که روی یک صفحه مسطح اکسید (نارنجی رنگ) کشیده شده‌اند کار می‌کند. وقتی که ولتاژی از طریق یک الکترود (آبی رنگ) به مایع اعمال شود، ذرات سطح اکسید (توپ‌های زرد رنگ) متالیزه و رسانا می‌شوند. وقتی ولتاژی اعمال نشود حرکت یونی هم وجود نخواهد داشت و سطح اکسید نارسانا خواهد بود. به این ترتیب می‌توان مدارهایی را به شکا داینامیک روی سطح اکسید شکل داد.

منبع (+)

قبلی «
بعدی »

۳ دیدگاه‌ها

  1. هر یک نورون از مغز انسان معادل یک node (اصطلاحی که در هوش مصنوعی برای این تعریف بکار میره) هست. مغز انسان هم که از میلیون ها نورون تشکیل شده. هر node هم معادل یک سیستم کامپیوتری مینیمم‌سیستم (شامل IO، BUS، RAM، CPU) هست. در مورد ادعای IBM من متوجه نمیشم چطور یک ترانزیستور جدید به تنهایی میتونه معادل (حداقل!) یک node باشه.

    • یک ترانزیستور تنها این وظیفه رو بر عهده نخواهد داشت.
      برای تولید تابع فعال‌سازی (سیگمویید) و جمع کننده‌ها و ضرب کننده‌های فقط یک نورون و لینک‌های ارتباطیش تعداد خیلی زیادی ترانزیستور نیازه.
      حجم سیلیکون مصرفی اون در پیاده‌سازی روی FPGA کاملا مشخص هست.

      تازه، درصورت امکان کنترل به صورت نمایی شاید یک ترانزیستور ضریب تقویتش سیگموئید بشه (از این خیلی تعجب خواهم کرد اگه دقیق از آب دربیاد!)

      اگر این روش به جواب برسه، توان مصرفی و میزان چگالی ترانزیستور شدیدا متحول خواهد شد و راه برای پیاده‌سازی توان پردازشی بالاتری هموار می‌شه. (تا در نهایت مشکل حجم پردازشی مورد نیاز برای شناسایی الگو بهبود پیدا کنه)

      در ضمن، خود نظریه شبکه‌های عصبی مصنوعی، در عمل موفق نشده شبکه‌ای با بیش از ۱۰۰ نورون بسازه و به طور مطلوبی استفاده کنه. در صورتی که ساده‌ترین کرم خاکی حدود ۵۰۰ تا نورون داره!
      یعنی خود این نظریه، هنوز انتظارها رو برآورده نکرده. باید با ایده‌ دیگه‌ای ترکیبش کرد

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بنرهای تبلیغاتی