Ett forskarteam under ledning av Lee Hyun Jun och Noh Hee Yeon från avdelningen för nanoteknik vid DGIST har lyckats utveckla världens första halvledare för artificiell intelligens (AI) baserad på två terminaler, som med hjälp av elektriska signaler precist styr väte för att möjliggöra självlärning och minnesfunktioner.
Teamets arbete presenteras i tidskriften Advanced Science.
Medan modern AI kräver snabb bearbetning av enorma datamängder, leder separationen av beräkning och minne i konventionella datorer till försämrad hastighet och hög strömförbrukning. ”Neuromorfa halvledare”, som utför beräkning och lagring samtidigt genom att efterlikna den mänskliga hjärnan, får alltmer uppmärksamhet som en nästa generations teknik som kan lösa detta problem. Kärnan i denna halvledare är en artificiell synapsenhet som ändrar sin konduktivitet baserat på elektriska signaler och bibehåller det tillståndet, och forskarteamet fokuserade på väte som lösningen.
Konventionella oxidbaserade minnesenheter har främst utnyttjat migrationen av syrevakanser (defekter) som minne. Detta har dock gjort det svårt att säkerställa långsiktig stabilitet och enhetlighet mellan enheterna. Forskargruppen löste däremot detta problem genom att utveckla en egen metod för att exakt styra injektionen och urladdningen av vätejoner (H+) med hjälp av ett elektriskt fält.
Detta är särskilt betydelsefullt eftersom denna teknik implementerades för första gången i en vertikal struktur med två terminaler. Denna struktur är mycket fördelaktig för nästa generations AI-chip med hög densitet, eftersom den möjliggör hög integrationsdensitet och enkla tillverkningsprocesser för enheterna. Hittills har inga fall rapporterats där väte-migration har kontrollerats exakt inom en vertikal struktur för att implementera AI-operationer.
Den nyutvecklade vätebaserade AI-enheten kördes stabilt under över 10 000 repetitiva operationer och behöll sitt minnestillstånd intakt även efter att ha lagrats under lång tid. Dessutom visades det att inlärnings- och minnesfunktioner liknande de hos synapser i den mänskliga hjärnan kunde utföras framgångsrikt genom dess analoga egenskaper med gradvis förändrad konduktivitet.
Seniorforskaren Lee Hyun Jun konstaterade: ”Denna forskning har en betydande innebörd som sträcker sig bortom utvecklingen av ännu en AI-halvledare. Den presenterar en ny resistiv omkopplingsmekanism som utnyttjar väte-migration, vilket skiljer sig helt från det befintliga minnet baserat på syre-vakanser.”
Forskare Noh Hee Yeon betonade: ”Detta är det första fallet där migrationen av väteatomer mellan staplade halvledarskikt kontrolleras elektriskt med precision. Resultaten från denna studie, som belyser mekanismen för väte-migration, kommer att förändra arkitekturen för AI-hårdvara i grunden och påskynda era av nästa generations neuromorfiska halvledare med låg strömförbrukning och hög effektivitet.”
Publikationsuppgifter
Hee Yeon Noh et al, Tunable Hydrogen Dynamics Under Electrical Bias for Neuromorphic Memory Applications, ACS Applied Materials & Interfaces (2026). DOI: 10.1021/acsami.5c21475
