纳米技术为片上智能提供动力

纳米技术为片上智能提供动力

纳米技术正在为片上智能的发展提供强大的动力。从节能设备到边缘AI，从内存计算到神经形态硬件，纳米技术的创新正在推动人工智能向更高效、更强大的方向发展。

今年，IEEE 国际电子设备会议 (IEDM) 的会议重点仍然放在节能计算上，这是确保人工智能 (AI) 快速发展不会导致能源成本膨胀的首要任务。与此同时，向边缘 AI（直接在本地设备或网络“边缘”建模）的转变正在重塑古老的计算范式。通过在数据源头执行实时决策，边缘 AI 减轻了云服务器的负担。然而，将 AI 置于边缘也带来了与功耗、散热和设备占用空间相关的设计挑战，从而刺激了系统架构和硬件的创新。

在《自然纳米技术》杂志上，研究人员密切跟踪和记录这些发展，展示纳米技术与先进计算交叉领域的最先进研究成果，它们的协同作用推动了下一代片上智能的发展。例如，新的晶体管材料和架构可以缩小到几纳米，同时保持性能。更彻底的是，神经形态硬件——一种模仿大脑架构实现高度并行和高效处理的新兴范式——利用以生物神经元和突触为模型的纳米级元素在硬件层面提供实时、低延迟的人工智能功能。

实现片上学习和推理的一个突出策略是内存计算 (IMC)。通过直接在内存阵列内而不是在单独的处理单元中执行数据处理，IMC 可以显著减少数据传输开销。实现最佳 IMC 性能需要共同设计内存阵列和外围电路，其中由各种底层内存技术形成的权衡使得稳健的计量至关重要。伊利诺伊大学厄巴纳-香槟分校的 Naresh Shanbhag 团队通过编制 IMC 指标基准库来量化性能、效率和准确性，并分析报告的 IMC 数据，以满足这一需求。他们还介绍了一种关于基于嵌入式非易失性存储器的 IMC 中能量-准确性-安全性权衡的方法。

在最近于北京举行的自然大会上，这种权衡得到了研究人员的广泛认可，会上提出了各种 IMC 范式，并且还出现了新兴的异步 IMC（事件驱动、基于尖峰等等）算法和设备。

在本期中，介绍了几种利用新材料和设备功能来利用非易失性存储器进行 IMC 的方法。在他们的文章中，Seung Ju Kim 等人介绍了卤化物钙钛矿材料，这是一种混合电子离子导体，以前因太阳能电池和 LED 而闻名，用于开发具有均匀离子分布的神经形态设备。他们基于模拟钙钛矿突触构建了一个 7 × 7 交叉阵列，实现了超线性和对称的突触权重控制，提高了计算精度和效率。在另一篇将感知集成到内存计算中的文章中，Heyi Huang 等人展示了一个完全集成的 1 kb 阵列（如本期封面所示），具有 128 × 8 单晶体管单光电忆阻器单元和硅 CMOS 电路，其在人工视觉系统中具有可配置的多模式功能。

在他们的文章中，Eva Díaz 等人系统地比较了七个数量级的电流脉冲的磁化切换效率。通过研究不同脉冲长度下纳米级器件中的自旋轨道扭矩 (SOT) 切换，他们发现当脉冲持续时间进入皮秒范围时，SOT 切换的能量成本会降低一个数量级以上。他们关于超快切换如何大幅降低功耗的研究为开发具有更高能效的自旋电子学存储器提供了重要见解。

有效散热是现实世界 AI 应用的另一个关键因素，尤其是在紧凑型系统中。Kai Wu 等人在他们的文章中详细介绍了纳米级洞察力如何指导热界面材料 (TIM) 的设计，使用梯度异质界面实现理论预测的近乎理想的热导率。他们的研究缩小了理论预测与现有 TIM 的实际热性能之间的知识差距，有助于探索新的冷却解决方案。

片上智能要求在设备和系统设计的每一层都具备纳米级的洞察力和创新。加深对纳米级现象的理解，可以大大提高能效、热管理和可靠性。通过纳米级设计优化单个设备可确保精确的电荷控制，而超高密度架构的纳米制造可将数十亿个单元封装在一个紧凑的空间中。探索新的纳米材料（从前端晶体管和内存技术到后端互连和封装）拓宽了我们创建更高效、更强大的系统的工具包。

本文原文来自icviews.cn