9 دقیقه
تصور کنید تراشهای که خودِ مادهاش قادر به ذخیره، پردازش و سازگاری است — نه بهخاطر طراحی مدار، بلکه بهخاطر شیمی درونیاش. پژوهشگرانی در مؤسسه علوم هند (IISc) دستگاههای مولکولی ساختهاند که رفتار الکترونیکیشان بهصورت درخواستی تغییر میکند و مرز میان سختافزار و سامانهای زنده و یادگیرنده را محو میسازد. این پیشرفت در حوزه الکترونیک مولکولی و محاسبات نورومورفیک میتواند دید جدیدی نسبت به طراحی سختافزار هوش مصنوعی ارائه کند.
گروه پژوهشی دستگاههای مولکولیای ایجاد کردهاند که میتوانند نقش الکترونیکی خود را «در لحظه» عوض کنند و مثل حافظه، منطق یا حتی سیناپس مصنوعی عمل نمایند. با طراحی شیمی تطبیقی در سطح مولکولی، محاسبات بهسمت سازوکارهای نزدیکتر به عملکرد واقعی مغز حرکت میکند؛ جایی که ماده بهعنوان بخشی از الگوریتم یادگیری عمل میکند و نه فقط بستری برای مدارها.
Why molecular electronics matters now
در چند دهه گذشته صنعت محاسبات عمدتاً بر ترانزیستورهای سیلیکونی متکی بوده است. اما با کوچکتر شدن دستگاهها و افزایش حساسیت به مصرف انرژی، پژوهشگران بهدنبال رویکردهای بنیادی متفاوتی هستند. الکترونیک مولکولی وعده جهشی قابلتوجه داده بود: ساخت اجزا از تک مولکولها یا لایههای نازک مولکولی و استفاده از شیمی برای انجام محاسبات. در عمل، مولکولها در یک دستگاه مانند بخشهای منزویِ کتاب درسی رفتار نمیکنند — آنها با هم واکنش دارند، یون جابهجا میشود، حالات اکسیداسیون تغییر میکند و پاسخهای غیرخطی تولید میشود که پیشبینی و کنترل آنها دشوار است. این پیچیدگیها هم چالش و هم فرصت برای توسعه مواد محاسباتی نوین هستند.
همزمان، محاسبات نورومورفیک — سختافزاری الهامگرفته از مغز — به دنبال موادی است که هم بتوانند محاسبه کنند و هم در همان بستر فیزیکی قادر به یادگیری باشند. دستگاههای نورومورفیک فعلی اغلب سیناپس را از طریق سوئیچهای مهندسیشده در اکسیدها یا فیلامنتها شبیهسازی میکنند، اما این سیستمها بیشتر سعی در تقلید فرایند یادگیری دارند تا آنکه یادگیری را بهطور طبیعی در پاسخ ماده جای دهند. الکترونیک مولکولی تطبیقی و مواد روتنیومی میتوانند این فاصله را کم کنند و پاسخهای پیچیدهتر و ذاتیتری ارائه دهند.
How IISc’s team merged chemistry with computation
یک تیم چندرشتهای در IISc به رهبری Sreetosh Goswami تلاش کرد این دو چالش را متحد سازد: کنترل شیمی مولکولی و کارکرد محاسباتی. نتیجه مجموعهای از دستگاههای مولکولی بسیار کوچک است که از کمپلکسهای روتنیوم ساخته شدهاند و بسته به نحوه تحریک، میتوان آنها را برای انجام عملکردهای بسیار متفاوت تنظیم کرد. با یک معماری مولکولی واحد، دستگاه میتواند بهعنوان حافظه، گیت منطقی، انتخابگر، پردازشگر آنالوگ یا سیناپس الکترونیکی عمل کند — شامل گذار میان رفتارهای دیجیتال و آنالوگ در دامنههای وسیع هدایت الکتریکی.
این قابلیت تطبیقی از طراحی شیمیایی ناشی میشود. تیم 17 کمپلکس مبتنی بر روتنیوم سنتز کردند و لیگاندها و محیط یونی را بهصورت سیستماتیک تغییر دادند. تغییرات کوچک در شکل مولکولی یا یونهای مخالف نزدیک، نحوهٔ انتقال الکترونها در فیلم، واکنشهای اکسایش–کاهش مولکولها و رانش یونها در ماتریس را دگرگون میکرد. آن فرایندهای میکروسکوپی در مجموع زمانهای سوئیچینگ، رفتار آرامش (relaxation) و پایداری هر حالت را تعیین میکنند — پارامترهایی کلیدی برای کاربردهای حافظه و محاسبات نورومورفیک.
در عمل، طراحی لیگاندها، انتخاب یونهای پشتیبان، و کنترل ساختار نانومقیاس فیلم مولکولی ابزارهای اصلی برای تنظیم خواص الکتریکی بودند. تغییرات در پیوندهای هماهنگکننده روتنیوم یا در چگالی بار محلی میتواند آستانههای سوئیچینگ، شکل منحنی جریان-ولتاژ (I–V) و رفتارهای حافظهای را بهطور قابلتوجهی تغییر دهد. از دیدگاه مهندسی، این یعنی شیمی بهعنوان زبان طراحی برای عملکرد دستگاه عمل میکند؛ نه فقط مواد خام، بلکه طراح هوشمند عملکرد الکترونیکی.
From experiment to predictive theory
یکی از پیشرفتهای مهم این مطالعه، ترکیب آزمایش با چارچوب نظری دقیق است. پژوهشگران یک مدل انتقال توسعه دادند که بر پایهٔ فیزیک چندبدنه و شیمی کوانتومی بنا شده و ساختار مولکولی را به عملکرد ماکروسکوپی دستگاه پیوند میدهد. بهجای آنکه سوئیچینگ را پدیدهای تجربی و تصادفی تلقی کنند، نظریه توضیح میدهد که چگونه حرکت همبستهٔ الکترونها، دینامیک یونها و رویدادهای ردوکس مولکولی حافظه، منطق و پلاستیسیتی شبیه سیناپس تولید میکنند.
این توانایی پیشبینیکننده اهمیت زیادی دارد: به معنای این است که شیمیدانان میتوانند موتیفهای مولکولی را برای تولید پاسخهای الکتریکی خاص طراحی کنند بهجای اینکه تنها به روش آزمونوخطا وابسته باشند. از جنبهٔ عملی، این تبدیل میکند شیمی را به معمار محاسبات — مسیری در سطح ماده برای دستگاههایی که ذاتاً یاد میگیرند. مدلهای چندمقیاس که رفتار الکترون و یون را در زمانهای متفاوت و در طول ساختار فیلم دنبال میکنند، به مهندسان اجازه میدهد پایداری بلندمدت، پهنای باند سیگنال و مصرف انرژی را پیشبینی و بهینهسازی نمایند.
این رویکرد نظری-تجربی همچنین امکان اعتبارسنجی نتایج در شرایط مختلف محیطی (دما، رطوبت، میدان الکتریکی) را فراهم میسازد که برای انتقال به تولید صنعتی حیاتی است. در نتیجه، پیوند میان شیمی کوانتومی، فیزیک حالت جامد و مهندسی میتواند چرخهٔ توسعه را کوتاهتر کند و احتمال موفقیت در نمونهسازی و مقیاسبندی را افزایش دهد.
What this could mean for neuromorphic AI hardware
با جاسازی ذخیرهسازی، محاسبه و یادگیری تطبیقی درون یک مادهٔ واحد، این کمپلکسهای روتنیومی نوید بخشِ ساخت سختافزار نورومورفیکی هستند که از نظر اندازه فشردهتر و از نظر مصرف انرژی کارآمدتر از رویکردهای مبتنی بر ترانزیستورهای سنتی خواهد بود. بهجای جابهجایی مداوم دادهها میان حافظه و پردازنده، یک لایهٔ مولکولی میتواند هر دو نقش را انجام دهد، که باعث کاهش تأخیر و مصرف توان میشود — مزیتی بزرگ برای کاربردهای هوش مصنوعی در لبهٔ شبکه (edge AI) و سایر سامانههای کممصرف.
تیم IISc در حال تلاش برای یکپارچهسازی این فیلمهای مولکولی روی سکوهای سیلیکونی است تا نمونههای اولیهٔ سختافزاری بسازند که اطمینانپذیری تراشهها را با هوشمندی ذاتی مواد تطبیقی ترکیب کند. اگر این ادغام موفق شود، چنین سامانههای هیبریدی میتوانند شتابدهندههای نسل بعدی هوش مصنوعی و گرههای حسگری را که از دادههای محلی در زمان واقعی یاد میگیرند، تسریع کنند. این امکانات شامل کاهش نیاز به پهنای باند ارتباطی، بهینهسازی مصرف انرژی در اینترنت اشیاء و افزایش پاسخپذیری سیستمهای رباتیک خواهد بود.
از منظر کاربردی، دستهای از برنامهها بهسرعت از این قابلیت سود خواهند برد: مدلهای یادگیری محلی برای تحلیل سیگنالهای سنسور، آرایههای پردازش موازی برای شناسایی الگو و شبکههای عصبی سختافزاری که وزنهای synaptic را بهصورت ذاتی در ماده نگه میدارند. این کاربردها مستلزم ترکیب خواص مقیاسپذیر، بازتولیدپذیری و سازگاری با فرآیندهای تولید نیمههادی است.
Practical challenges and the road ahead
موانع مهمی هنوز وجود دارد. مقیاسپذیری، پایداری بلندمدت، فرایند ساخت بازتولیدپذیر و سازگاری با جریانهای کاری تولید موجود باید همگی اثبات شوند. تعامل یونها و الکترونها که به این مواد قابلیتها میدهد میتواند در طول زمان باعث رانش یا تغییرپذیری شود، بنابراین مهندسی برای دوام و ثبات طولانیمدت حیاتی خواهد بود. اندازهگیری چنین پدیدههایی در سطح دستگاه و توسعه معیارهای استاندارد تست برای سنجش عملکرد، گامهای ضروری برای حرکت به سمت تولید صنعتی محسوب میشوند.
مسائل دیگری نیز مطرح است: کنترل دقیق ساختار در مقیاس نانومتری برای تضمین همگنی فیلم مولکولی، توسعه روشهای بستهبندی که از وارد شدن رطوبت یا عوامل مخرب دیگر جلوگیری کند، و یافتن راههای اتصال لایههای مولکولی به الکترودهای فلزی با افت کم و پایداری بالا. همچنین، نیاز به توسعه متدهای تست الکتریکی سریع و خودکار برای ارزیابی میلیونها المان در یک ماتریکس وجود دارد.
با این حال، ترکیب طراحی شیمیایی، اعتبارسنجی تجربی و نظریهٔ پیشبینیکننده که در این مطالعه نشان داده شد، نقشهٔ راه روشنی ارائه میدهد. بهجای آنکه شیمی را صرفاً بهعنوان زنجیرهٔ تأمین برای مواد ببینیم، این روش ساختار شیمیایی را بهعنوان فضای طراحی برای خودِ محاسبات تلقی میکند. این دیدگاه میتواند مسیرهای نوآورانهای برای ساخت رایانش توکار (embedded computation) و سختافزارهای تطبیقی باز کند.
Expert Insight
«این کار یادآور این است که محاسبات لزوماً محدود به مدارهای صلب نیست»، میگوید دکتر لورا چن، پژوهشگر سختافزار نورومورفیک در موسسهٔ Advanced Systems. «جاسازی حافظه، منطق و پلاستیسیتی در یک لایهٔ ماده میتواند بهطرز چشمگیری انرژی و تأخیر سامانههای هوش مصنوعی را کاهش دهد. کلید موفقیت، تبدیل این پاسخهای مولکولی امیدوارکننده به فرایندهای بازتولیدپذیر و سازگار با تراشه است.»
اینکه آیا این دستگاههای مولکولی تغییرشکلدهنده جایگزین ترانزیستورها خواهند شد از اهمیت کمتری برخوردار است نسبت به الگویی که باز میکنند: موادی که بهصورت طراحیشده محاسبه میکنند. برای پژوهشگران و مهندسان، گامهای بعدی روشناند — ادغام، مقیاسبندی و آزمون این لایههای مولکولی در وظایف واقعی هوش مصنوعی و اندازهگیری اینکه آیا سازگاری ناشی از شیمی میتواند کارایی و پایداری مورد نیاز برنامههای مدرن را فراهم آورد یا نه. تحقق این چشمانداز نیازمند همکاری بین شیمیدانها، فیزیکدانان، مهندسان مواد و طراحان مدارهای یکپارچه است تا از سطح آزمایشگاهی به تولید صنعتی گام بردارند.
منبع: scitechdaily
نظرات
اتو_ر
خوشبینم ولی یه کم اغراق تو متن هست، معیارها و استانداردهای تست بلندمدت لازمه نه فقط نتایج اولیهی امیدوارکننده.
دیپموتور
برداشت متعادل؛ ترکیب نظریه و آزمایش خوبه، اما باید تو محیطهای واقعی و روی وظایف AI امتحان بشه تا ارزشش معلوم شه.
کوینپیل
فکر میکنم ایده عملی باشه، منطقیه ولی تا وقتی هزینه تولید و بازتولید پذیری رو نفهمیم بیش از حد خوشبینانه است.
آرمین
من تو کارهای آزمایشگاهی دیدم یونها چطور بدقواره عمل میکنن، پس هماهنگی شیمی و مهندسی واقعا لازمه. اگه بستهبندی درست باشه، میتونه کاربردی باشه.
لبکور
این واقعیه یا هنوز تو مرحلهٔ آزمایشگاه؟ پایداری و مقیاسپذیری مهمه، دادههای عملکرد بلندمدت کو؟
دیتاپالس
وای... اصلاً انتظار نداشتم ماده بتونه خودش حافظه و منطق رو بسازه، این یعنی تراشههایی که یاد میگیرن؟ هیجانانگیز و یه ذره ترسناک همزمان.
ارسال نظر