می توان گفت پیشرفته‌ترین رایانه‌های جهان، همان‌هایی هستند که در جمجمهٔ ما جای گرفته‌اند. مغز انسان با داشتن حدود ۹۰ میلیارد نورون و ۱۰۰ تریلیون اتصال بین آن‌ها، اطلاعات را با راندمانی بالا پردازش می‌کند. این سیناپس‌ها با گذشت زمان تقویت یا تضعیف می‌شوند؛ پدیده‌ای به نام «پلاستیسیتهٔ سیناپسی» که پایهٔ یادگیری و حافظه است.
سال‌هاست دانشمندان تلاش کرده‌اند این کارایی بی‌نظیر را در سامانه‌های مصنوعی بازآفرینی کنند. شبکه‌های عصبی مصنوعی در سال‌های اخیر پیشرفت‌های بزرگی در حوزهٔ هوش مصنوعی رقم زده‌اند، اما این سامانه‌ها بیشتر به نام نورون و سیناپس تکیه دارند تا به عملکرد واقعی آن‌ها.
مدل‌های زبانی بزرگ مانند Chat GPT، علی‌رغم الهام‌گیری از مغز، به‌شدت پرمصرف‌اند که این امر مانع استفاده از آن‌ها در بسیاری از کاربردها شده است.
اما محققان دانشگاه ملی سنگاپور (NUS) موفق شدند یک ترانزیستور سیلیکونی استاندارد را به گونه‌ای مهندسی کنند که با تنظیم مقاومت خود، می‌تواند پدیده‌هایی مانند یونیزاسیون ضربه‌ای و به‌دام‌افتادن بار را بازتولید کند، که از ویژگی‌های کلیدی نورون‌های زیستی هستند. و همچنین عملکرد نورون‌های بیولوژیکی و هم سیناپس‌های عصبی را تقلید کند. این دستاورد که در مجله معتبر Nature در تاریخ ۲۶ مارس ۲۰۲۵ منتشر شده، می‌تواند منجر به توسعه سخت‌افزارهای هوش مصنوعی با مصرف انرژی کمتر و کارایی بالاتر شود.
چرا با وجود هوش مصنوعی هایی همچون Chat GPT این کشف مهم است ؟
- مصرف انرژی پایین: این ترانزیستورها می‌توانند عملکردهای نورونی را با مصرف انرژی بسیار کمتر نسبت به سیستم‌های سنتی انجام دهند.
- سازگاری با فناوری‌های موجود: استفاده از فناوری استاندارد CMOS به معنای امکان تولید انبوه و ادغام آسان با سیستم‌های فعلی است.
- کارایی بالا: توانایی پردازش و ذخیره‌سازی همزمان اطلاعات، مشابه عملکرد مغز انسان.
