Próbą przełamania tego impasu stał się projekt inżynierów z amerykańskiego Oakland University,opublikowany na łamach czasopisma IEEE Transactions on Circuits and Systems, którego celem jest przeniesienie zaawansowanych modeli AI bezpośrednio na urządzenia brzegowe, roboty, systemy autonomiczne, inteligentne sensory oraz elektronikę ubieralną.
Zamiast powiększać krzemowe matryce i komplikować cyfrowe obwody logiczne, badacze sięgnęli po inspirację neurobiologiczną, w której przetwarzanie informacji opiera się na krótkich impulsach elektrycznych, a nie ciągłych obliczeniach. Opracowany przez nich sztuczny neuron integruje w nanometrycznej skali magnetyczne złącze tunelowe (MTJ – magnetic tunnel junction) ze standardowym tranzystorem technologii CMOS, powszechnie stosowanym we współczesnej mikroelektronice.
Pod wpływem przepływającego prądu element magnetyczny samorzutnie przełącza swoje stany kwantowe, generując charakterystyczne skoki napięcia (iglice), które wiernie naśladują wzbudzenia biologicznych komórek nerwowych. Oparcie dynamiki układu na wewnętrznych właściwościach ferromagnetyków pozwoliło radykalnie zredukować liczbę niezbędnych komponentów elektronicznych w strukturze pojedynczego neuronu.
Zaprojektowane w ten sposób komórki reagują w czasie poniżej 5 nanosekund, umożliwiając błyskawiczne przetwarzanie informacji przy skrajnie zredukowanym zapotrzebowaniu na moc. Co kluczowe, magnetyczny neuron realizuje paradygmat obliczeń bezpośrednio w miejscu składowania danych (in-memory computing), eliminując nieefektywny transfer magistralowy.
Komunikacja nie opiera się wyłącznie na sztywnych stanach binarnych, lecz na precyzyjnym kodowaniu czasowym impulsów. Skuteczność tej metody badacze udowodnili, łącząc sztuczne neurony w niewielką sieć neuromorficzną i trenując ją do rozwiązania klasycznego testu XOR (funkcji alternatywy rozłącznej); sieć bezbłędnie opanowała to zadanie wyłącznie poprzez modulację opóźnień impulsów. Taka architektura sterowana zdarzeniami sprawia, że komponenty pozostają w stanie uśpienia aż do momentu nadejścia nowego sygnału, co niemal do zera redukuje straty jałowe.
Choć obecne osiągnięcie opiera się na zaawansowanych symulacjach numerycznych, jego ogromnym atutem wdrożeniowym jest kompatybilność ze standardowymi procesami technologicznymi przemysłu półprzewodnikowego.Elementy MTJ są już bowiem z powodzeniem stosowane komercyjnie w produkcji magnitorezystywnych pamięci MRAM, co ułatwi ich bezpośrednią integrację z tradycyjną litografią krzemową.
Kolejnym krokiem zespołu z Oakland University będzie fizyczna fabrykacja prototypów i eksperymentalna walidacja układów w warunkach laboratoryjnych, co może otworzyć drogę do budowy nowej generacji 500-krotnie bardziej energooszczędnych akceleratorów sztucznej inteligencji.
