Исследователи из Oregon State University собрали фототранзистор для ИИ, который в одном устройстве совмещает светочувствительный сенсор, память и первичную обработку сигнала. Для рынка edge-AI это важная история: чем меньше данных гоняют между сенсором, памятью и вычислителем, тем ниже энергопотребление и тем проще уложиться в бюджет по теплу, батарее и габаритам.
Разработка описана в журнале Advanced Functional Materials, сообщает Tom's Hardware. Командой руководил профессор электротехники и компьютерных наук Ларри Ченг. Ключевая идея проста и в то же время очень вовремя попадает в нерв отрасли: не отправлять каждый световой сигнал в отдельный блок памяти и дальше в отдельный процессор, а удерживать часть вычислений прямо там, где сигнал возникает.
Технически устройство устроено как фототранзистор из двух материалов. Канал транзистора сделан на базе оксидного полупроводника, а сверху размещен фоточувствительный органический слой. Когда на него попадает свет, в этом слое возникают электрические заряды; часть из них оказывается захваченной и продолжает влиять на ток в канале даже после того, как освещение исчезло. Иными словами, компонент не просто регистрирует событие, а хранит его след как оптическую память.
Самое интересное не в том, что память вообще есть, а в том, что ее можно настраивать. Исследователи подают небольшое напряжение на затвор и тем самым меняют положение захваченных зарядов относительно канала транзистора. Если заряды расположены ближе, влияние сильнее и память держится дольше. Если дальше, эффект ослабевает и сигнал быстрее затухает. В биологическом мозге похожую роль играют химические механизмы, которые либо закрепляют воспоминание, либо позволяют ему исчезнуть. Здесь ту же функцию берет на себя электрический управляющий сигнал.
Для индустрии это не просто красивый академический трюк. Проблема «поездок данных» между сенсором, памятью и вычислительным блоком давно стала одной из самых неприятных в железе для ИИ. Особенно в системах машинного зрения: камера или другой датчик непрерывно генерирует поток информации, но далеко не каждый кадр или фрагмент сцены нужно хранить и анализировать одинаково глубоко. Роботу, дрону, камере наблюдения или автономной системе часто полезнее быстро отфильтровать несущественное, временно подержать важное и отбросить шум еще до центрального процессора или ускорителя.
На этом фоне фототранзистор для ИИ хорошо ложится сразу в два больших тренда. Первый — нейроморфные вычисления, где разработчики пытаются приблизить архитектуру железа к работе биологических нейросетей, а не просто наращивать привычные матрицы умножения. Второй — in-sensor computing, то есть вычисления прямо на уровне сенсора. Идея не новая, но каждый реальный аппаратный шаг здесь ценится выше десятка презентаций, потому что именно на уровне устройств обычно и ломаются самые красивые концепции: либо не хватает стабильности, либо производство получается слишком сложным, либо выигрыша по энергии почти нет.
В случае с разработкой Oregon State University исследователи пока говорят аккуратно. Это не замена нынешним ИИ-ускорителям и не готовый модуль, который завтра можно поставить в промышленную камеру. Речь идет об устройстве на уровне компонента, демонстрирующем новый аппаратный режим работы. Тем не менее посыл понятный: если часть памяти и часть логики переедут непосредственно в сенсор, будущие edge-системы смогут стать компактнее и экономичнее без обязательного наращивания мощности основного вычислителя.
Для разработчиков и продуктовых команд здесь есть вполне прикладной вывод. Следующий виток конкуренции в AI hardware, похоже, будет идти не только вокруг FLOPS, пропускной способности HBM и размера моделей, но и вокруг того, насколько рано в тракте обрабатывается сигнал. Если сенсор сам умеет немного «думать», выбирать, что помнить дольше, а что забывать почти сразу, архитектура всего устройства меняется: меньше требований к обмену данными, ниже нагрузка на память, проще работа на периферии и потенциально дольше жизнь от батареи.
Главный вопрос теперь не в том, можно ли сделать такой фототранзистор для ИИ в лаборатории, а в том, удастся ли масштабировать подход до серийного производства и встроить его в реальные цепочки компьютерного зрения. Если ответ окажется положительным, рынок получит еще один аргумент в пользу сенсоров, которые не просто видят, а начинают принимать решения на месте. Первоисточник с деталями эксперимента — .