摘要：科学家开发了下一代半导体技术，以实现高效率，低功率人工智能。...

由材料科学与工程系的Seyoung Kim教授以及半导体工程系以及校友Kyungmi Noh和Phd学生Hyunjeong Kwak的材料科学与工程系的校友Kyungmi Noh和Postech材料科学系的校友Kyungmi Noh和Postecrize Hyng Minize的计算机效果的计算机，该研究团队的研究团队以及校友元素的材料科学系，以及来自韩国电气工程学的ECRAMS IMPARIME的计算机，以及替补仪的计算机，该研究的能台，该型号是塔克斯的综合绩效，该型号是的ECRAMS，该委员情报，展示其商业化的潜力。他们的研究已发表在国际杂志上，科学进步。

AI技术的快速进步，包括生成AI等应用程序，已将现有数字硬件（CPU，GPU，ASICS等）的可扩展性推向了其限制。因此，对专门用于AI计算的模拟硬件进行了积极的研究。模拟硬件根据外部电压或电流调节半导体的电阻，并利用带有垂直交叉内存设备的交叉点阵列结构并行处理AI计算。尽管它为特定的计算任务和连续数据处理提供了比数字硬件的优势，但满足计算学习和推理的各种要求仍然具有挑战性。

为了解决模拟硬件记忆设备的局限性，研究团队专注于电化学随机访问记忆（ECRAM），该电源通过离子运动和浓度来管理电导率。与传统的半导体内存不同，这些设备具有三端结构，该结构具有单独的读取和写入数据的路径，从而使功率相对较低。

在他们的研究中，该团队在64×64阵列中使用基于三端的半导体成功制造了ECRAM设备。实验表明，结合团队设备的硬件表现出出色的电气和开关特性，以及高收益和均匀性。此外，该团队还将基于尖端模拟的学习算法Tiki-Taka算法应用于此高收益硬件，成功地最大程度地提高了AI神经网络培训计算的准确性。值得注意的是，研究人员证明了硬件培训对学习的“重量保留”属性的影响，并确认他们的技术不会超载人工神经网络，强调了将技术商业化的潜力。

这项研究之所以重要，是因为迄今为止在文献中报告的用于存储和处理模拟信号的ECRAM设备最大的阵列为10×10。现在，研究人员已经成功地以最大的规模实施了这些设备，每个设备的特性各不相同。

Postech的Seyoung Kim教授说：“通过实现基于新颖的记忆设备技术并开发模拟特异性AI算法的大规模阵列，我们已经确定了超过当前数字方法的AI计算性能和能源效率的潜力。”

这项研究是在贸易，工业和能源部的支持下，由韩国计划与评估研究所（KEIT）和韩国半导体行业协会和IDEC的EDA工具支持的半导体人才培训计划的公私合作伙伴。