据外媒报道，首尔国立大学工学院（Seoul National University College of Engineering）宣布，由材料科学与工程系Ho Won Jang教授领导的研究团队开发出能够以超低功耗进行人工智能（AI）计算的神经形态硬件。这项研究解决了现有智能半导体材料和器件的基本问题，同时展示阵列级技术的潜力。

（图片来源：首尔国立大学）

目前，在物联网（IoT）、用户数据分析、生成式AI、大语言模型（LLM）和自动驾驶等领域，处理大数据使用的并行计算需要消耗大量电力。然而，用于并行计算的传统硅基CMOS半导体计算存在能耗高、内存和处理器速度较慢，以及高密度过程物理限制等问题。尽管AI对日常生活产生了积极影响，但这也导致了能源和碳排放问题。

为了解决这些挑战，研究人员需要突破数字基冯·诺依曼（Von Neumann）架构计算的局限性。因此，开发下一代基于智能半导体的神经形态硬件以模仿人类大脑的工作原理，成为一项关键任务。人类大脑由大约1000亿个神经元和100万亿个突触连接组成。作为基本智能单元，突触通过突触权重来存储相关信息，并执行计算和推理。基于智能半导体设备的神经形态硬件可以模仿大脑的突触操作，依赖于能够存储多个电阻状态的忆阻器设备，利用这些权重进行计算。然而，在忆阻器中受到广泛研究的非晶金属氧化物通过导电丝工作，使电荷仅聚焦于特定区域。这导致不对称和非线性突触权重调整，从而使并行计算不准确且能效低。

为了解决这个问题，研究人员重点探讨卤化物钙钛矿（halide perovskite）材料的高离子迁移率。作为下一代太阳能电池和LED使用的材料，这种材料一直受到关注。该团队专注于开发基于有机-无机混合材料的神经形态装置。研究人员发现，在新设计的二维钙钛矿材料中，离子可以均匀分布在半导体表面。这一突破使超线性和对称突触权重控制得以成功实现，而这是传统智能半导体无法实现的。浦项科技大学（POSTECH）的团队通过第一性原理计算证明了这一机制的理论原理。

借助所开发设备的性能，研究人员评估了在硬件中执行AI计算的准确性。他们证实，不仅在MNIST和CIFAR这样的小数据集上，而且在类似ImageNET的大数据集上，该设备可以在理论限制内以非常小的误差范围（小于0.08%）进行推理。此外，与南加州大学（University of Southern California）的合作研究证明，AI计算可以在超低功耗下加速，包括设备级和阵列级。

这项研究大幅提高了智能半导体材料和器件的能源效率，预计将非常有助于降低AI计算的总体能耗。此外，超线性和对称突触权重控制的实现，可以明显提高AI计算的准确性，并在自动驾驶和医疗诊断等各个领域具有应用潜力。预计这项技术将促进下一代AI硬件技术的进步，以及半导体行业创新。

作为研究人员三年前提出技术的升级版，目前这项研究所开发的技术正在韩国和美国申请专利。Jang教授表示：“这项研究为解决下一代智能半导体器件的基本问题提供了重要基础数据。其意义在于证明，对于开发高性能神经形态硬件，离子在材料表面的均匀运动比在半导体材料中制造局部细丝更重要。”