– **Memrystor** –

 

1. 

   Maciek 

   1 ZK – latwo znalezc link do oryginalnej publikacji Cernu. Sprawdzilem to pare dni temu.

   Inna ciekawostka ostatnio publikowana to dosc nowy ( wynaleziony w 2008 ale zrealizowany praktycznie dopiero niedawno ) element sieci neuronowych zdolnych do uczenia sie – memorystor:

   **W 1971 roku amerykański inżynier elektryk i informatyk, Leon Chua, teoretyzował, że musi istnieć czwarty podstawowy element obliczeniowy.** Istnieją rezystor, kondensator i cewka, ale Chua uważał, że istnieje również **„memrystor”** – połączenie słów *„memory”* (pamięć) i *„resistor”* (rezystor), opisujące prosty, nieulotny komponent pamięciowy, który może przechowywać informacje nawet po odłączeniu zasilania.

   Brzmi to jak prosta funkcja, ale stanowi technologiczną podstawę **neuromorficznych (czyli „mózgopodobnych”) systemów obliczeniowych**. Skuteczny memrystor działałby jak **sztuczna synapsa w sieci neuronowej AI**, ponieważ potrafi jednocześnie przechowywać dane i przeprowadzać obliczenia (podobnie jak robi to nasz mózg).

   Od czasu, gdy w **2008 roku naukowcy „odkryli” memrystory**, badacze i inżynierowie na całym świecie stopniowo udoskonalają ich możliwości, mając nadzieję na stworzenie komputerów **tak wydajnych i potężnych jak ludzki mózg**.

   – **Memrystor** – element elektroniczny, którego rezystancja zależy od historii przepływu prądu („pamięta” poprzednie stany).
   – **Obliczenia neuromorficzne** – architektura komputerowa naśladująca działanie biologicznych neuronów.
   https://www.nature.com/articles/s41928-024-01318-6

   Platformy oparte na memrystorach mogą umożliwić tworzenie kompaktowych i energooszczędnych systemów sztucznej inteligencji (AI) do przetwarzania brzegowego (edge computing), dzięki ich zdolności do równoległych obliczeń w dziedzinie analogowej. Jednak systemy wykorzystujące macierze memrystorów napotykają wyzwania w implementacji algorytmów AI w czasie rzeczywistym z pełnym uczeniem na urządzeniu (on-device learning) ze względu na problemy z niezawodnością, takie jak niska wydajność produkcyjna, słaba jednorodność i ograniczona trwałość.

   W tej pracy przedstawiamy platformę obliczeń analogowych opartą na macierzy memrystorów analogowych bez selekatorów. Wykorzystujemy memrystory międzyfazowe na bazie tlenku tytanu o stopniowym rozkładzie tlenu, które charakteryzują się:

   wysoką niezawodnością,

   dużą liniowością,

   brakiem konieczności formowania (forming-free),

   samorektyfikacją.

   Nasza platforma — składająca się z:

   macierzy krzyżowej 1K (32×32) bez selekatorów (jeden memrystor na komórkę),

   obwodów peryferyjnych,

   cyfrowego kontrolera —

   jest w stanie uruchamiać algorytmy AI w dziedzinie analogowej dzięki autokalibracji, bez konieczności stosowania operacji kompensacyjnych lub wstępnego treningu.

   Zademonstrowaliśmy możliwości systemu na przykładzie separacji pierwszego planu i tła w filmie w czasie rzeczywistym, osiągając:

   średni stosunek sygnału do szumu (PSNR) wynoszący 30,49 dB,

   wskaźnik podobieństwa strukturalnego (SSIM) na poziomie 0,81.

   Wyniki te są zbliżone do symulacji dla przypadku idealnego.
   Uwagi dodatkowe:

   Przetwarzanie brzegowe (edge computing) – obliczenia wykonywane lokalnie (np. na urządzeniu), a nie w chmurze.

   Memrystor międzyfazowy – wykorzystuje zmiany właściwości na granicy faz, a nie w całej objętości materiału.

   Autokalibracja – system sam dostosowuje parametry, eliminując błędy nieliniowości.