Tekoälytutkimuksesta on tulossa erittäin aktiivista, ja tekoälyyn perustuvien elektronisten laitteiden ja tuotejulkaisujen kehitys kiihtyy erityisesti neljännen teollisen vallankumouksen aikakaudella. Tekoälyn toteuttamiseksi elektroniikkalaitteissa tulisi myös tukea räätälöityjä laitteistokehitystä. Useimmat tekoälyn elektroniset laitteet vaativat kuitenkin suurta virrankulutusta ja erittäin integroituja muistiryhmiä suuriin tehtäviin. Näiden virrankulutus- ja integraatiorajoitusten ratkaiseminen on ollut haastavaa, ja on pyritty selvittämään, kuinka ihmisen aivot ratkaisevat ongelmia.
Todistaakseen kehitetyn teknologian tehokkuuden tutkimusryhmä loi keinotekoisen hermoverkkolaitteiston, joka oli varustettu itsekorjautuvalla synaptisella taulukolla ja algoritmilla, jota kutsutaan "salausjärjestelmäksi", joka kehitettiin suorittamaan tekoälyn oppimista. Tämän seurauksena se pystyi vähentämään energiaa 37 % kiinnitysjärjestelmässä ilman tarkkuuden heikkenemistä. Tämä tulos osoittaa, että neuromodulaation jäljitteleminen ihmisillä on mahdollista.
Professori Kim sanoi: "Tässä tutkimuksessa toteutimme ihmisaivojen oppimismenetelmän vain yksinkertaisella piirikoostumuksella, ja sen avulla pystyimme vähentämään tarvittavaa energiaa lähes 40 prosenttia."
Tämä aivojen hermotoimintaa jäljittelevä neuromodulaatiovaikutteinen kiinnitysjärjestelmä on yhteensopiva olemassa olevien elektronisten laitteiden ja kaupallistetun puolijohdelaitteiston kanssa. Sitä odotetaan käytettävän seuraavan sukupolven puolijohdesirujen suunnittelussa tekoälylle.
Tämä tutkimus julkaistiin Advanced Functional Materialsissa maaliskuussa 2022, ja sitä ovat tukeneet KAIST, National Research Foundation of Korea, National NanoFab Center ja SK Hynix.
