به گزارش سایتک دیلی، این سیستم که از مموریستورها برای ایجاد شبکه‌های عصبی مصنوعی استفاده می‌کند، حداقل هزار برابر کم‌مصرف‌تر از سخت‌افزار هوش مصنوعی مبتنی بر ترانزیستور است که احتمال خطای آن زیاد است. هوش مصنوعی فعلی بسیار پرمصرف است. آموزش یک مدل هوش مصنوعی می‌تواند 284تن دی‌اکسیدکربن تولید کند که معادل تولید دی‌اکسید کربن 5خودرو است. با جایگزینی مموریستورها که در همه دستگاه‌های دیجیتال امکان‌پذیر است، می‌توان این مقدار را به کسری از یک تن دی اکسیدکربن کاهش داد. این میزان معادل انتشار دی اکسیدکربن در رانندگی در یک بعدازظهر است.
از آنجایی که مموریستورها بسیار کم‌مصرف‌تر از سیستم‌های محاسباتی موجود هستند، می‌توانند به‌طور بالقوه مقادیر زیادی از توان محاسباتی را در دستگاه‌های کوچک(به اندازه یک دست) گرد آورند و در عین حال نیازی هم به اتصال به اینترنت نداشته باشند. این موضوع از اهمیت ویژه‌ای برخوردار است، زیرا انتظار می‌رود که وابستگی بیش از حد به اینترنت به‌دلیل افزایش تقاضای داده‌ها و مشکلات افزایش ظرفیت انتقال داده از یک نقطه خاص، در آینده مشکل‌ساز شود. در این مطالعه جدید، مهندسان دانشگاه UCL دریافتند که با مموریستورهایی که دارای تعدادی زیرگروه شبکه عصبی هستند می‌توان «دقت» را در سطح بالایی بهبود بخشید.
مموریستورها، درواقع «رزیستورهای دارای حافظه» هستند، زیرا آنها میزان بار الکتریکی را که حتی پس از خاموش شدن در آنها جریان دارد، در حافظه نگه می‌دارند. رزیستور یک قطعه الکترونیکی کنش‌پذیر(مصرف‌کننده انرژی) است که به‌عنوان یکی از اجزای مدارهای الکترونیکی، مقاومت الکتریکی مورد نیاز را ایجاد و اعمال می‌کند. مموریستورها به‌صورت تجاری برای دستگاه‌های ذخیره حافظه تولید شده‌اند، اما این تیم تحقیقاتی گفته است که آنها می‌توانند طی 3سال آینده برای استفاده در سیستم‌های هوش مصنوعی تولید شوند.
منبع: همشهری