Новий нейроморфний чіп з оксиду ніобію у 2000 разів ефективніший за традиційний ШІ

Штучний інтелект споживає колосальні обсяги електроенергії — і ця проблема зростає щороку. Вирішення може прийти з несподіваного боку: від фізиків, а не традиційних розробників чіпів. У новому дослідженні, опублікованому в журналі Advanced Intelligent Systems, команда Університету Лафборо (Велика Британія) під керівництвом д-ра Павла Борисова розробила пристрій, що обробляє часові дані безпосередньо в матеріалі — без постійного переміщення між пам’яттю і процесором. Результат: до 2000 разів нижче енергоспоживання для деяких задач порівняно з програмними методами.

Що відомо коротко

• 📄 Публікація: Advanced Intelligent Systems (Wiley), 2026, DOI: 10.1002/aisy.202500833
• 🏛️ Команда: д-р Павло Борисов та колеги, Університет Лафборо; фінансування EPSRC (Рада з інженерних і фізичних наук Великої Британії)
• 💡 Тип пристрою: мемристор з нанопористим оксидом ніобію (NbOx)
• ⚡ Ключова ідея: резервуарне обчислення прямо в матеріалі — фізична структура чіпа є одночасно і «прихованим шаром» нейронної мережі
• 🧠 Натхнення: випадкові нейронні зв’язки в мозку ссавців
• 🎯 Тестові задачі: розпізнавання зображень, прогнозування хаотичного часового ряду (система Лоренца), логічні операції XOR

Що таке мемристор і чому він важливий

Традиційні чіпи мають принципову архітектурну проблему: пам’ять і обчислення розташовані окремо. Кожного разу, коли потрібно обчислити — дані мають їхати між цими двома блоками. Це так звана «архітектура фон Неймана», і саме на ній побудовані всі сучасні процесори. Проблема в тому, що цей «цифровий маршрутний транспорт» споживає величезні обсяги електрики і генерує тепло.

Мемристор — скорочення від «memory resistor» («резистор-пам’ять») — є альтернативою: один пристрій зберігає і обробляє дані одночасно в одному місці. Концепція вперше була теоретично передбачена Леоном Чуа в 1971 р. і з того часу активно розвивається.

За даними PNAS, нейроморфні системи на основі мемристорів можуть скоротити споживання енергії на понад 70% порівняно з конвенційними архітектурами. Але чіп Борисова пішов значно далі.

Деталі дослідження

Дослідники з Лафборо виготовили тонкоплівковий мемристорний пристрій на основі оксиду ніобію (NbOx) з навмисно введеними випадковими нанопорами. Ключова ідея натхнена будовою мозку ссавців: там нейрони мають хаотичні, нерегулярні зв’язки — і саме ця «хаотична архітектура» дозволяє мозку ефективно обробляти складні патерни.

Нанопори у плівці оксиду ніобію створюють безліч випадкових шляхів для носіїв заряду — так само, як аксони і дендрити створюють безліч з’єднань між нейронами. Ця структура виступає як «резервуар» у техніці резервуарного обчислення (reservoir computing): вхідний сигнал «розплескується» по цих каналах, перетворюючись на багатовимірний відбиток, який потім значно легше класифікувати.

«Натхнені тим, як мозок ссавців формує численні й, здавалось би, випадкові нейронні зв’язки між нейронами, ми створили складні, випадкові фізичні зв’язки в штучній нейронній мережі, виготовивши пори в нанометрово тонких плівках оксиду ніобію», — пояснює д-р Борисов.

Пристрій не програмується традиційно: він сам є «прихованим шаром» нейронної мережі завдяки фізичній будові матеріалу. Вихідний сигнал подається на просту лінійну модель — і ця комбінація виконує складні задачі.

Що показали тести

Команда перевірила пристрій на трьох типах задач:

Прогнозування хаотичного часового ряду. Вчені використовували систему Лоренца-63 — класичну тривимірну хаотичну систему, пов’язану з «ефектом метелика». Пристрій зміг передбачити короткострокову поведінку цієї системи і реконструювати відсутні дані. Саме тут досягнуто до 2000 разів нижчого енергоспоживання порівняно з програмними рішеннями.

Розпізнавання зображень. Чіп коректно ідентифікував піксельні цифри — показавши, що той самий пристрій може виконувати різні типи задач.

Логічні операції XOR. Базова перевірка на універсальність обчислення — успішно пройдена.

«Ми показали, як можна передбачити майбутню еволюцію складного часового ряду за допомогою цих пристроїв при до двох тисяч разів нижчому енергоспоживанні порівняно зі стандартним програмним рішенням», — зазначив д-р Борисов.

Професор Сергій Савельєв, один з авторів дослідження, додав: «Це чудовий приклад того, як фундаментальна фізика може внести внесок у сучасні обчислення, уникаючи величезних обчислювальних накладних витрат, використовуючи складність фізичних систем як висококвимірний фільтр для даних».

Чому це важливо для науки і технологій

Глобальне енергоспоживання ШІ вже стало проблемою на рівні державних стратегій. За даними дослідників з Кембриджу (паралельна розробка 2026 р. на основі оксиду гафнію), нейроморфні підходи можуть скоротити споживання AI-систем більш ніж на 70% — і це лише «консервативна оцінка».

Але чіп Лафборо пропонує ще більш радикальний підхід: не просто ефективніший мемристор, а принципово інша обчислювальна парадигма. Замість того щоб навчати складну нейронну мережу і запускати її на GPU, фізична структура матеріалу сама виконує частину обчислення — пасивно, без програмування, за рахунок своєї геометрії.

Це особливо цінно для «граничних» пристроїв (edge computing) — датчиків, носимої електроніки, промислових систем моніторингу — де даних потоки надходять безперервно, а підключення до хмарних серверів обмежене або небажане з міркувань безпеки.

Найбезпечніші та найчистіші джерела енергії наразі ледве встигають покривати зростаючі потреби дата-центрів. Чіп Борисова потенційно здатен зламати цю тенденцію: якщо AI-задачі виконуватимуться на порядки ефективніше, навіть значне зростання кількості пристроїв не призведе до кризи споживання.

Цікаві факти

• 🧠 Мемристор теоретично передбачив американський вчений Леон Чуа у 1971 р. — більш як за 30 років до першого фізичного втілення у HP у 2008 р. Чуа вивів існування мемристора з чисто теоретичних міркувань про симетрію рівнянь електротехніки — і виявився правий.
• ⚡ За оцінками IEA, дата-центри й системи ШІ у 2026 р. споживають понад 400 ТВт·год електрики на рік — і це число зростає на 20–30% щороку. Такого ж рівня вже досягнула вся електроенергетика Франції.
• 🌀 Система Лоренца-63, на якій тестували чіп — це математична модель конвекції атмосфери, розроблена метеорологом Едвардом Лоренцом у 1963 р. Саме вона породила поняття «ефект метелика». Те, що чіп успішно передбачає поведінку цієї системи — ознака здатності обробляти реально хаотичні дані.
• 🔬 Паралельно Кембриджський університет опублікував дослідження мемристора з оксиду гафнію (HfO₂), який досягає струму перемикання в мільйон разів нижчого, ніж стандартні оксидні пристрої, і відтворює біологічні правила навчання — як-от потенціал-часова залежна пластичність (STDP), якою мозок зміцнює або послаблює синаптичні зв’язки.

FAQ

Чим мемристорний чіп відрізняється від звичайного GPU, що використовують для ШІ? GPU виконує мільярди операцій, постійно переміщуючи дані між пам’яттю і обчислювальними блоками. Мемристорний чіп зберігає і обробляє дані в одному місці, і частину обчислення виконує сама фізична структура матеріалу — без явних «кроків» обчислення.

Коли ця технологія може з’явитися в реальних продуктах? Команда підкреслює, що пристрій перебуває на ранній стадії: тести проводилися на відносно простих задачах. Наступні кроки — ускладнення нейронних мереж і тестування з реальними, зашумленими даними. Промислове масштабування займе кілька років, але архітектура сумісна зі стандартними CMOS-процесами, що суттєво спрощує майбутнє виробництво.

Чи впливає штучний інтелект на критичне мислення людей через своє енергоспоживання? Не прямо, але опосередковано: чим більше ШІ-систем і чим вони доступніші, тим більше люди делегують їм когнітивні задачі. Якщо чіп Борисова зробить ШІ на порядки ефективнішим — системи стануть ще доступнішими і поширенішими. Отже, технологічна й психологічна сторони цього питання нерозривні.