Chip thường tách việc nhớ và tính toán: MIT dùng polymer 2 nm “nén–hồi” để bắt chước neuron

Trong chip thông thường, vật liệu chủ yếu đóng vai trò tạo transistor, dây dẫn và lớp cách điện; còn những hành vi phức tạp như ghi nhớ trạng thái hay tích lũy tín hiệu thường phải được dựng bằng nhiều linh kiện và mạch điện. Một nhóm tại MIT vừa thử đi theo hướng khác: khiến bản thân một lớp polymer dày khoảng 2 nanomet tham gia trực tiếp vào việc xử lý thông tin.

Thiết bị của họ gồm một lớp polydimethylsiloxane (PDMS) siêu mỏng kẹp giữa hai điện cực kim loại. Khi đặt điện áp, hai điện cực hút nhau và nén lớp polymer. Vì PDMS có tính viscoelastic — vừa đàn hồi vừa có độ nhớt — nó không trở về trạng thái ban đầu ngay lập tức. Khoảng trễ cơ học đó tạo ra một dạng “trí nhớ” về những kích thích vừa xảy ra, và nhóm nghiên cứu khai thác nó để tái tạo hành vi tích lũy rồi phát xung tương tự neuron.

Nghiên cứu do nhóm của Farnaz Niroui tại MIT thực hiện và được công bố trên Science Advances với tên Viscoelastic nanomechanical devices for neuromorphic information processing. Điểm đáng chú ý không phải là thiết bị ngừng dùng điện: nó vẫn được kích thích bằng điện áp và đọc ra bằng tín hiệu điện. Điều mới nằm ở chỗ một phần chức năng tính toán và nhớ được chuyển sang chuyển động cơ học của vật liệu ở thang nano.

“Bộ nhớ” nằm trong tốc độ hồi phục của polymer

Thách thức của cơ học ở kích thước nanomet là các bề mặt đặt quá gần nhau dễ bị lực bám dính kéo dính lại. Một cấu trúc chuyển động được ở kích thước lớn vì thế chưa chắc có thể thu nhỏ trực tiếp xuống vài nanomet mà vẫn đảo ngược được.

Nhóm MIT dùng PDMS như một “lò xo nano” mềm nằm giữa hai điện cực. Lớp này giúp cân bằng lực hút, để hai bề mặt có thể tiến lại gần khi có điện áp nhưng sau đó vẫn tách ra và trở về trạng thái ban đầu thay vì dính vĩnh viễn.

Quan trọng hơn, PDMS không hồi phục tức thời. Sau khi bị nén, vật liệu cần một khoảng thời gian để giãn trở lại. Bởi vậy trạng thái hiện tại của thiết bị không chỉ phụ thuộc vào điện áp đang đặt tại thời điểm đó, mà còn phụ thuộc vào chuỗi kích thích trước đó. Nói cách khác, lịch sử của tín hiệu được “ghi” tạm thời vào trạng thái cơ học của polymer rồi phản ánh lại qua dòng điện.

Đây không phải bộ nhớ không mất dữ liệu như NAND flash hay một ổ SSD. Nó gần với một dạng nhớ động theo thời gian hơn: trạng thái dần biến mất khi polymer hồi phục. Chính đặc tính này lại phù hợp với kiểu xử lý neuromorphic, nơi thời điểm và nhịp của các xung có thể quan trọng không kém giá trị số của chúng.

Một linh kiện tự tích lũy tín hiệu rồi “phát xung”

Neuron sinh học không nhất thiết phản ứng với từng kích thích riêng lẻ. Nó tích lũy các tín hiệu đầu vào; khi mức kích thích vượt một ngưỡng, neuron phát xung rồi quay lại trạng thái nền.

Thiết bị nanomechanical của MIT tạo được một chu trình tương tự. Khi điện áp được áp dụng theo thời gian, hai điện cực dần nén PDMS. Tác động của các kích thích liên tiếp được tích lũy trong trạng thái cơ học của lớp polymer. Khi vượt một ngưỡng, đáp ứng điện thay đổi mạnh theo cách nhóm nghiên cứu mô tả là hành vi “firing”; sau đó cấu trúc thư giãn và trở về trạng thái trước đó.

Trong mạch neuromorphic dùng CMOS, những hành vi kiểu này thường cần nhiều transistor cùng các thành phần phụ trợ để tạo ra tích lũy, ngưỡng và động học theo thời gian. Ở thiết bị mới, một phần động học đó xuất hiện từ chính tính chất vật liệu. MIT cho biết nhờ vậy các chức năng tính toán và bộ nhớ có thể nằm trong cùng một phần tử mà không cần thêm tụ điện hay mạch phức tạp cho chức năng đã được trình diễn.

Đó cũng là lý do nghiên cứu quan tâm tới hiệu quả năng lượng và diện tích. Nếu vật liệu tự thực hiện được một số phép biến đổi mà trước đây cần một cụm linh kiện, kiến trúc cuối cùng về nguyên tắc có thể nhỏ và ít tiêu thụ năng lượng hơn. Tuy nhiên, nghiên cứu hiện chưa chứng minh một hệ thống hoàn chỉnh vượt chip thương mại về điện năng hoặc hiệu suất.

Điểm mới không phải “bỏ electron”, mà là cho vật liệu làm nhiều việc hơn

Cách mô tả “máy tính cơ học thay cho điện tử” dễ gây hiểu nhầm trong trường hợp này. Thiết bị MIT vẫn là một phần tử điện–cơ: điện áp tạo lực hút giữa các điện cực, polymer biến dạng, rồi sự biến dạng đó làm thay đổi đáp ứng điện mà hệ thống có thể đọc.

Sự khác biệt nằm ở vai trò của vật liệu. Thay vì coi lớp polymer như một spacer thụ động, nhóm nghiên cứu dùng tính nhớt–đàn hồi của nó như một thành phần của thuật toán vật lý. Vật liệu đồng thời tạo độ trễ, giữ dấu vết của kích thích trước và góp phần quyết định khi nào thiết bị chuyển sang trạng thái “phát xung”.

Cách tiếp cận này thuộc hướng physical computing và neuromorphic hardware: tìm cách để động học tự nhiên của vật liệu thực hiện trực tiếp một phần phép tính, thay vì luôn mô phỏng hành vi đó bằng một chuỗi lệnh số trên kiến trúc xử lý truyền thống.

Từ một phần tử nano tới “computing matter” còn nhiều bước

MIT nhắc tới những ứng dụng tiềm năng như xử lý tín hiệu ngay tại cảm biến, thiết bị đeo công suất thấp, chân tay giả thông minh hoặc hệ thống robot cần phản ứng tại chỗ. Một thiết bị có thể kết hợp cảm nhận, nhớ ngắn hạn và xử lý ngay trong cùng cấu trúc sẽ đặc biệt phù hợp với các bài toán edge computing, nơi việc gửi mọi dữ liệu về bộ xử lý trung tâm gây tốn năng lượng và độ trễ.

Nhưng kết quả hiện tại vẫn là một trình diễn ở cấp thiết bị nano. Nhóm nghiên cứu chưa cho thấy một mạng lớn gồm hàng nghìn hay hàng triệu phần tử như vậy thực hiện một workload thực tế, cũng chưa có phép so sánh hệ thống với CPU, GPU hay chip neuromorphic thương mại. Những câu hỏi về độ đồng đều khi sản xuất số lượng lớn, độ bền sau nhiều chu kỳ nén–hồi, cách nối các phần tử thành mạng và chi phí tích hợp vẫn phải được trả lời.

Bước tiếp theo mà nhóm MIT đặt ra là tích hợp sâu hơn cảm biến, tính toán và bộ nhớ để tiến tới cái họ gọi là nanomechanical computing matter: vật liệu không chỉ mang tín hiệu, mà bản thân cấu trúc và động học của nó tham gia xử lý thông tin.

Nếu hướng này mở rộng được, lợi ích lớn nhất có thể không đến từ việc thay transistor bằng polymer. Nó nằm ở việc giảm số lượng linh kiện cần thiết cho một số chức năng cụ thể bằng cách để vật liệu tự “làm việc” nhiều hơn. Còn ở thời điểm hiện tại, lớp PDMS 2 nm của MIT là bằng chứng cho thấy ngay cả sự nén và hồi phục rất nhỏ ở cấp nanomet cũng có thể trở thành một tài nguyên tính toán.

Nguồn

• Science Advances: Viscoelastic nanomechanical devices for neuromorphic information processing
• MIT News: Nanoscale mechanics could enable brain-inspired computing

Ảnh minh họa: Emily Theobald/MIT.