La recherche sur l'intelligence artificielle devient très active, et le développement d'appareils électroniques basés sur l'intelligence artificielle et les lancements de produits s'accélèrent, en particulier à l'ère de la quatrième révolution industrielle. Pour mettre en œuvre l'intelligence artificielle dans les appareils électroniques, le développement de matériel personnalisé doit également être pris en charge. Cependant, la plupart des appareils électroniques pour l'intelligence artificielle nécessitent une consommation d'énergie élevée et des matrices de mémoire hautement intégrées pour les tâches à grande échelle. Il a été difficile de résoudre ces limitations de consommation d'énergie et d'intégration, et des efforts ont été faits pour découvrir comment le cerveau humain résout les problèmes.
Pour prouver l'efficacité de la technologie développée, le groupe de recherche a créé un matériel de réseau de neurones artificiels équipé d'un réseau synaptique auto-rectificateur et d'un algorithme appelé "système de stockage" qui a été développé pour effectuer l'apprentissage de l'intelligence artificielle. En conséquence, il a pu réduire l'énergie de 37 % dans le système de stockage sans aucune dégradation de la précision. Ce résultat prouve qu'il est possible d'émuler la neuromodulation chez l'homme.
Le professeur Kim a déclaré : "Dans cette étude, nous avons mis en œuvre la méthode d'apprentissage du cerveau humain avec une simple composition de circuit et grâce à cela, nous avons pu réduire l'énergie nécessaire de près de 40 %."
Ce système de stockage inspiré de la neuromodulation qui imite l'activité neuronale du cerveau est compatible avec les appareils électroniques existants et le matériel semi-conducteur commercialisé. Il devrait être utilisé dans la conception de puces semi-conductrices de nouvelle génération pour l'intelligence artificielle.
Cette étude a été publiée dans Advanced Functional Materials en mars 2022 et soutenue par KAIST, la National Research Foundation of Korea, le National NanoFab Center et SK Hynix.
