Segmentation-Engineered Ge4Sb6Te7 Switch on SOI Platform for Multilevel Non-Volatile Photonic Neural Inference
Diese Arbeit zeigt auf, dass das neu entdeckte Phasenwechselmaterial (GST-467), wenn es in einen segmentierungs-technisch optimierten Silicon-on-Insulator-Photonikschalter integriert wird, eine hocheffiziente, mehrstufige nichtflüchtige photonische neuronale Inferenz mit überlegener Energieeffizienz, optischem Kontrast und Klassifizierungsgenauigkeit im Vergleich zu bestehenden Materialien ermöglicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Gehirn eines Computers als eine geschäftige Stadt vor, in der Daten der Verkehr sind. Seit Jahrzehnten steckt diese Stadt in einem schrecklichen Stau fest, der als „Von-Neumann-Flaschenhals“ bekannt ist. In diesem alten Design befinden sich der Ort, an dem Daten gespeichert werden (der Speicher), und der Ort, an dem sie verarbeitet werden (das Gehirn), in verschiedenen Gebäuden. Um Arbeit zu erledigen, müssen die Daten ständig zwischen ihnen hin- und herfahren, was Zeit und Energie verschwendet, als würden Autos im Stau im Leerlauf stehen. Wissenschaftler versuchen nun, eine neue Art von Stadt zu bauen, in der Speicherung und Denken am selben Ort stattfinden, ein Konzept namens „In-Memory-Computing“.
Um diese neue Stadt schnell und kühl laufen zu lassen, setzen Forscher auf Licht anstelle von Elektrizität. Licht kann mit fast keiner Verzögerung durch winzige Drähte sausen und erzeugt nicht so viel Hitze. Aber damit das Licht die schwere Arbeit des Denkens übernehmen kann, benötigen wir spezielle „Ampeln“, die verändern können, wie viel Licht hindurchgelassen wird, und sie müssen in dieser neuen Position bleiben, ohne ständig Energie zu benötigen, um die Tür offen zu halten. Hier kommen „Phasenwechselmaterialien“ ins Spiel. Betrachten Sie diese Materialien als magisches Glas, das augenblicklich zwischen transparent (lässt Licht durch) und dunkel (blockiert Licht) umschalten kann, und sobald es umschaltet, bleibt es so, bis Sie ihm sagen, dass es sich wieder ändern soll. Die große Frage ist: Können wir ein Material finden, das schnell umschaltet, sehr wenig Energie verbraucht und so abgestimmt werden kann, dass es dutzende verschiedene Graustufen erzeugt, nicht nur einen einfachen Ein/Aus-Schalter?
Dieses Papier stellt einen neuen Herausforderer für diesen Job vor: ein Material namens Ge4Sb6Te7, oder kurz GST-467. Die Forscher haben nicht einfach nur geraten; sie haben zuerst im Labor genau gemessen, wie dieses Material mit Licht interagiert. Dann verwendeten sie leistungsstarke Computersimulationen, um einen winzigen Schalter auf einem Siliziumchip zu entwerfen, der dieses Material verwendet. Das Geheimrezept in ihrem Design ist die „Segmentierung“. Anstatt einen langen Streifen des Materials zu verwenden, haben sie ihn in 11 winzige, abwechselnde Segmente zerteilt, die durch kleine Lücken getrennt sind.
Die Ergebnisse ihrer Simulationen sind sehr vielversprechend. Sie fanden heraus, dass dieses zerstückelte Design wie ein supereffizienter Dimmer wirkt. Im Vergleich zu einem Standarddesign ohne Segmentierung verbesserte ihr segmentierter Schalter einen Schlüsselleistungswert um mehr als das Siebenfache. Er kann Licht fast vollständig blockieren, wenn er „aus“ ist (mit einem Kontrast von 48,36 dB), während er bei „an“ fast das gesamte Licht durchlässt (mit sehr geringem Verlust). Da das Material auf viele verschiedene Dunkelheitsgrade abgestimmt werden kann, legt das Team nahe, dass dieser einzelne Schalter bis zu 48 verschiedene Werte oder „Zustände“ darstellen könnte, anstatt nur ein einfaches 0 oder 1 zu sein.
Um zu sehen, ob dies tatsächlich für künstliche Intelligenz funktionieren würde, simulierten das Team die Verwendung dieser Schalter als „Gewichte“ (die Einstellwerte für die Wichtigkeit) in einem neuronalen Netzwerk, einer Art Computergehirn. Sie testeten es bei zwei berühmten Herausforderungen der Bilderkennung: der Identifizierung von Modeartikeln und der Erkennung handgeschriebener Buchstaben. Das Netzwerk, das GST-467-Schalter verwendet, schnitt besser ab als Netzwerke mit anderen bekannten Materialien und erreichte eine hohe Genauigkeit. Darüber hinaus zeigten die Simulationen, dass das Umschalten dieser Materialien von klar zu dunkel (oder umgekehrt) mittels eines Laserimpulses unglaublich wenig Energie benötigt – weniger als einen Nanojoule. Dies deutet darauf hin, dass diese Geräte, falls sie gebaut werden, unglaublich schnell und energieeffizient sein könnten, was potenziell dazu beitragen könnte, die nächste Generation smarter Computer zu bauen, die nicht überhitzen oder Batterien leersaugen. Es ist jedoch wichtig anzumerken, dass diese Ergebnisse derzeit auf detaillierten Computermodellen und Labormessungen der Materialeigenschaften basieren und nicht auf einem bereits fertig gebauten und in einer realen Anwendung getesteten Chip beruhen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.