Neuromorfni čipovi koji obrađuju informacije poput ljudskog mozga — ovo je cilj fizičarke Hajdemari Kruger i njenog pokretača Techifab iz Drezdena. Istraživač sa Lajbnic instituta za fotonsku tehnologiju i Univerziteta Fridrih Šiler u Jeni razvija tehnologiju koja obrađuje i skladišti podatke direktno na mestu porekla, eliminišući potrebu za energetski intenzivnim prenosom podataka između procesora i memorije.
Zajedno sa svojim timom, Kruger radi na komponentama zasnovanim na memristorima koje će postaviti nove standarde u energetskoj efikasnosti i računarskoj snazi. Ova tehnologija u realnom vremenu i resursno efikasna mogla bi da podrži aplikacije kao što su autonomna vozila i industrijska postrojenja. „Naš cilj je da koristimo mozak kao model za stvaranje tehnologije koja može donositi složene, logične odluke uz minimalnu potrošnju energije“, kaže Kruger.
Njen perspektivni članak o memristorima objavljen je u časopisu Journal of Applied Phisics .
Neuromorfni čip je zasnovan na memristorima — komponentama koje funkcionišu slično sinapsama u mozgu. Oni ne samo da mogu da čuvaju informacije, već ih i obrađuju istovremeno. Dok konvencionalni računari neprekidno razmenjuju podatke između memorije i procesora, ova tehnologija funkcioniše lokalno. Ovo značajno smanjuje rasipanje energije i omogućava brzu, decentralizovanu analizu podataka.
„Ključna razlika je u sposobnosti memristora da obrađuju kontinuirana međustanja — ne samo ‘0’ i ‘1’, već i vrednosti između njih“, objašnjava Kruger. Ova fleksibilna obrada podataka otvara nove mogućnosti za algoritme koji simuliraju neuronske mreže. Potencijalne primene se kreću od prediktivnog održavanja mašina do analize u realnom vremenu u oblastima koje su kritične za bezbednost kao što je autonomna vožnja.
Put do ove inovacije započeo je slučajnim otkrićem u laboratoriji 2011. Tokom analize materijala, Krugerov tim je uočio karakterističnu krivu „petlje“—karakteristično ponašanje memristora sa histereznim otporom memristora. Ovo svojstvo omogućava uređaju da „pamti“ prošle proračune i direktno izvodi složene proračune. Ovo otkriće dovelo je do ideje o razvoju veštačkih sinapsi koristeći kombinaciju bizmuta i oksida gvožđa.
„Pokazali smo da ove veštačke sinapse mogu efikasno da se nose sa složenim računskim zadacima kao što je množenje matrice“, kaže Kruger. Ovakvi proračuni čine osnovu za obuku mnogih AI aplikacija i algoritama za obradu slika. U januaru 2025. novinski magazin Der Spiegel je izvestio o tome kako Krugerova tehnologija može postaviti nove standarde u energetski efikasnom računarstvu.
Arhitektura memristora omogućava da se podaci obrađuju direktno na izvoru — ključna komponenta za takozvano ivično računarstvo, gde podaci ne moraju da se prenose u centralne sisteme u oblaku. „To znači povećanu bezbednost i nezavisnost, pošto osetljivi podaci ostaju lokalni“, ističe Kruger. Ovo može biti značajna prednost u industrijskim senzorskim sistemima, na primer, za otkrivanje ranih znakova habanja i sprečavanje kvarova sistema.
U početnim pilot projektima, Krugerov tim već testira tehnologiju u stvarnim uslovima u saradnji sa Tehničkim univerzitetom u Frajbergu. Testovi su pokazali da neuromorfni čip može pouzdano otkriti čak i najmanje promene i precizno predvideti obrasce habanja.
Dok konvencionalni procesori zahtevaju sve više tranzistora za rukovanje rastućom poplavom podataka, tradicionalni dizajn čipova dostiže fizičke i energetske granice. Neuromorfni pristupi kombinuju memoriju i jedinice za obradu, smanjujući potrošnju energije i značajno proširujući potencijal za AI sisteme.
„Naš cilj nije samo da analiziramo skupove podataka, već i da učimo, prepoznajemo obrasce i fleksibilno reagujemo na nove situacije bez stalnog povezivanja sa eksternim centrima podataka“, kaže Kruger. Ova tehnologija bi mogla da pomogne da centri za podatke budu energetski efikasniji i da omogući razvoj aplikacija veštačke inteligencije sa znatno manje resursa.
Krigerov trenutni prototip ima 32 memristora. U sledećoj fazi razvoja očekuje se da će se ovaj broj povećati na više od 200 kako bi se modelovale složene neuronske mreže i omogućile nove aplikacije u autonomnim sistemima.
