相关实验视频
Updated: May 12, 2026

10:00
Gradient Echo Quantum Memory in Warm Atomic Vapor
Published on: November 11, 2013
12.8K
2D (NH4) BiI3 允许用于机器学习的非挥发性光电子记忆
Bo Tong1,2, Jiajun Xu1,2, Jinhong Du1,2
1Shenyang National Laboratory for Materials Science, Institute of Metal Research, Chinese Academy of Sciences, Shenyang, China.
Nature communications
|February 13, 2025
概括
研究人员使用 (NH4) BiI3 开发了一种新的光电子记忆,用于高效的机器学习. 这一创新使得更快,更低能耗的人工神经网络具有高精度,在特定任务中表现优于GPU.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 人工智能 硬件 硬件
背景情况:
- 机器学习 (ML) 的效率对于人工智能 (AI) 是至关重要的.
- 光电子记忆是将光学训练与电推理集成的关键.
- 目前的光电子记忆与低光,短脉冲调制作斗争,阻碍了ML性能.
研究的目的:
- 为高效的ML开发先进的光电子内存.
- 为了克服现有的非挥发性电阻状态调制的局限性.
- 为了提高训练准确性,速度,并减少人工智能硬件的能源消耗.
主要方法:
- 一种范德瓦尔斯层状光导材料的合成, (NH4) BiI3.3.
- 使用 (NH4) BiI3作为光敏感门的光学浮动门晶体管的制造.
- 一个晶体管-一个存储器设备阵列的构建.
主要成果:
- 在没有门电压的情况下,在超暗光下显示可调节的突触重量.
- 实现了超低的训练能耗和大量的非挥发性电阻状态.
- 设备阵列在人工神经网络 (ANN) 中达到~99%的准确性.
- 在YOLOv8中匹配GPU性能,能耗显著降低.
结论:
- 基于 (NH4) BiI3 的光学浮动门晶体管为光电子记忆提供了卓越的性能.
- 这项技术可以实现高效和准确的ANN和AI硬件.
- 在人工智能计算中减少能源消耗的巨大潜力.

