UC San Diego’daki bir araştırma ekibi, sinir ağlarını doğrudan bellek içinde çalıştırmayı hedefleyen yeni bir RRAM yaklaşımı geliştirdi. “Bulk RRAM” adı verilen tasarım, sekiz katmanlı 3D yığın yapısıyla veri işlemeyi bellek hücrelerinin içinde yapabiliyor; böylece işlemci–bellek arasındaki “bellek duvarı”na takılmadan yerel ve düşük güçte yapay zekâ uygulamalarının önü açılıyor. Çalışmaya liderlik eden elektrik mühendisi Duygu Kuzum, yöntemin yerelde çalışan yeni nesil AI uygulamalarını mümkün kılabileceğini söylüyor.
IEEE IEDM 2025’te sunulan prototip, her hücrenin 64 farklı direnç seviyesini temsil edebildiği (yaklaşık 6‑bit eşdeğeri) sekiz katmanlı bir yığın ve 40 nm ölçeğe inebilen bir tasarım içeriyor. Ekip, seçici transistör gerektirmeyen 1 KB’lık bir dizide giyilebilir sensör verilerini sınıflandıran sürekli öğrenen bir algoritmayı çalıştırdı ve yaklaşık yüzde 90 doğruluk elde etti.
Neden önemli?
Veriyi işlemciye taşıyıp geri getirmek, modern AI yüklerinde hem zaman hem enerji kaybına yol açıyor. RRAM tabanlı bellek‑içi hesaplama, bu trafiği ortadan kaldırarak özellikle sensörlü, sürekli öğrenen “kenar” cihazlarında uzun pil ömrü ve çevrimdışı çalışma vaat ediyor. UCSD ekibi, geleneksel filament oluşturmayan, yüksek direnç aralığında çalışan bir yapı kullanarak çok seviyeli ve daha kararlı anahtarlama sağladığını belirtiyor.
Arka plan ve sıradaki adımlar
Kuzum ve ortakları, 2024’te yayımlanan çalışmada “forming gerektirmeyen” çok katmanlı bulk RRAM yaklaşımıyla 100 seviyeye kadar programlanabilen, neuromorfik hesaplamaya uygun bir temeli ortaya koymuştu. Son gösterim bu hattı dikeyde sekiz katmana çıkarıp yığınlı bir mimariye taşıyor.
Teknoloji henüz ürünleşmeye hazır değil. Araştırmacılar, özellikle daha yüksek çalışma sıcaklıklarında veri tutma ve uzun süreli kararlılık gibi başlıklarda malzeme ve aygıt optimizasyonu üzerinde çalıştıklarını vurguluyor.
IEDM programında yer alan sunum başlığı: “8‑Layer Vertical Filament‑Free Bulk RRAM with High Dynamic Range and Energy Efficiency for 3D Multilevel Compute‑in‑Memory.” Bu da yaklaşımın nöromorfik hesaplama ve bellek‑içi işleme ekseninde konumlandığını gösteriyor.
Kaynak: www.techspot.com
