利用神经拟态技术解决人工智能的能源问题
随着AI（人工智能）的不断推广使用，电脑的能耗呈爆炸式增长。TDK研发的自旋忆阻器可用作模拟存储元件，能以电子方式模拟人脑的突触。而神经形态设备利用该技术实现了对人脑的模拟，与传统设备相比，其节能效果可达百倍以上。该元件的生产技术与当前正在大规模生产的MRAM*1相似。TDK积极通过自身在HDD磁头和磁性传感器领域的磁性技术来降低AI能耗，同时致力于开发能实时学习并根据操作环境和使用人员做出调整的新型AI设备。
*1 MRAM：
基于磁性的存储器。与普通存储器不同，数据不会消失（非挥发性）。即使关闭电路电源，也可以立即启动，从而可以减少计算和待机功率。
AI使用需求的攀升与能耗问题
现阶段AI服务方兴未艾，正快速普及到人们的日常生活中，关于AI的新闻也不绝于耳。当前AI主要建立在云基础上，但未来有望让边缘服务更趋向于与人类互动，潜力巨大。另一方面，最新AI需要庞大的计算资源，若AI保持当前发展速度，全球能耗将出现爆炸式增长，势必带来新的社会挑战。
为了使AI应用于更广阔的社会领域，就不得不大幅度降低其耗电量。一直以来，技术的发展都由半导体的微型化和数字架构的进步在支撑。但现阶段，摩尔定律*2的终结和冯·诺依曼瓶颈*3已逐步成为现实，这条道路也迎来天花板，迫切需要新的解决方法。
*2 摩尔定律：半导体电路的集成率经验法则是在18个月（或24个月）内翻倍。微细化技术的进步一直支撑着今天半导体产业的飞速发展。
*3 冯·诺依曼瓶颈：这是限制计算机处理能力的原因之一。它指的是由于CPU和内存之间的数据传输受到限制而导致的处理能力极限。
模拟人脑功能的神经形态设备
在解决AI电力消耗问题的创新技术中，模拟人脑架构的神经形态设备广泛受到关注。人脑的运行功耗为20W，是终极节能设备，其能进行复杂的判断，但电力消耗却是现在所用数字AI计算的万分之一。人脑是由很多突触和神经元组成的复杂网络，神经形态设备则以电子方式模拟了该网络，而其中模拟的关键就在于被称为忆阻器的电子元件。忆阻器通过电荷改变导电性和电阻等，发挥着突触的功能。在神经形态设备中，很多忆阻器相互连接形成一个阵列网络，通过模拟人脑处理信号的方式降低AI处理的电力消耗。
传统忆阻器元件面临的挑战
一直以来，神经形态设备一致采用ReRAM*4和PCM*5这类忆阻器元件，并将其潜力探索到极致。但这类元件作为忆阻器时，具有响应性能复杂、难以控制且电阻值会随时间漂移等问题。这些特性使其不适用于神经形态设备中的模拟应用，因此亟需电路或算法补偿方法来弥补这一缺陷。随之而来的问题是，电路设计愈发复杂且无法实现实时学习等诸多局限性，因此开发适用于突触的元件需求日益迫切。
*4 ReRAM：抵抗变化型存储器
*5 PCM：相变存储器
TDK自旋忆阻器的特点和优势
TDK研发的自旋忆阻器基于最新磁阻效应原理，结合了TDK在HDD磁头和磁性传感器方面的丰富经验，其特征在于兼具磁体的数据保持性和可控性。基于这些特性，我们有望以更简单的电路形式实现更低能耗且可正常运行的神经形态设备。而基于可控性良好这一优点，我们能在不依赖于云的情况下在芯片上实现AI学习功能，这是传统设备上难以实现的。现在TDK正在通过该自旋忆阻器推进神经形态设备芯片的开发，以期实现芯片级的技术演示。
三端子型磁阻效应元件。由自由层、障壁层和磁化方向固定的针层三层结构组成，可以自由移动上下磁化的边界（磁墙），电阻值随磁墙位置的变化而变化。写入操作通过横向电流实现，读取操作通过纵向电流实现。
基于超低功耗AI设备的未来
基于AI的先进信息处理设备都需要庞大的计算资源和能耗。TDK的自旋忆阻器通过大幅度降低AI能耗的方式，解决了AI快速发展导致电力需求剧增的社会挑战。另外，利用自旋忆阻器的稳定特性，我们可在芯片上同时实现AI的学习功能和推理功能。这意味着我们有望摆脱人类适应预训练的AI模型的范式，转变为AI基于特定环境自适应调整和演进。TDK计划将这项技术和自身的传感器技术相结合，实现可根据人类和环境情况提供最佳信息的智能传感器，研发出更像人类的AI设备，以此为人类生活质量的提升做出贡献。
