En ny type 3D-computerchip, der kombinerer to banebrydende nanoteknologier, kan dramatisk øge processorenes hastighed og energieffektivitet, siger en ny undersøgelse.
Dagens chips adskiller hukommelse (som gemmer data) og logiske kredsløb (som behandler data), og data sendes frem og tilbage mellem disse to komponenter for at udføre operationer. Men på grund af det begrænsede antal forbindelser mellem hukommelse og logiske kredsløb, er dette ved at blive en vigtig flaskehals, især fordi computere forventes at håndtere stadigt stigende datamængder.
Tidligere blev denne begrænsning maskeret af virkningerne af Moore lov, der siger, at antallet af transistorer, der kan passe på en chip, fordobles hvert andet år med en ledsagende stigning i ydelsen. Men da chipproducenter rammer de grundlæggende fysiske grænser for, hvordan små transistorer kan få, er denne tendens bremset.
Den nye prototype-chip, designet af ingeniører fra Stanford University og Massachusetts Institute of Technology, løser begge problemer samtidigt ved at lagde hukommelse og logiske kredsløb oven på hinanden snarere end side om side.
Ikke kun gør dette effektivt brug af plads, men det øger også overfladearealet dramatisk for forbindelser mellem komponenterne, sagde forskerne. Et konventionelt logisk kredsløb ville have et begrænset antal stifter i hver kant, gennem hvilket data skal overføres; I modsætning hertil var forskerne ikke begrænset til at bruge kanter og var i stand til tæt at pakke lodrette ledninger, der løber fra det logiske lag til hukommelseslaget.
"Med separat hukommelse og computing er en chip næsten som to meget folkerige byer, men der er meget få broer mellem dem," siger studieleder Subhasish Mitra, professor i elektroteknik og datalogi i Stanford, til Live Science. "Nu har vi ikke bare bragt disse to byer sammen - vi har bygget mange flere broer, så trafikken kan gå meget mere effektivt mellem dem."
På toppen af dette brugte forskerne logiske kredsløb konstrueret af carbon nanotube-transistorer sammen med en ny teknologi kaldet resistiv tilfældig adgangshukommelse (RRAM), som begge er meget mere energieffektive end siliciumteknologier. Dette er vigtigt, fordi den enorme energi, der er nødvendig for at drive datacentre, udgør en anden stor udfordring, som teknologiselskaberne står overfor.
"For at få den næste 1.000-gangs forbedring af computeregenskaber med hensyn til energieffektivitet, der får ting til at køre med meget lav energi og samtidig få ting til at køre virkelig hurtigt, er dette den arkitektur, du har brug for," sagde Mitra.
Selvom begge disse nye nanoteknologier har iboende fordele i forhold til konventionel, siliciumbaseret teknologi, er de også integreret i den nye chips 3D-arkitektur, sagde forskerne.
Årsagen til, at dagens chips er 2D, skyldes, at fabrikation af siliciumtransistorer på en chip kræver temperaturer på mere end 1.800 grader Fahrenheit (1.000 grader Celsius), hvilket gør det umuligt at lægge siliciumkredsløb oven på hinanden uden at skade bundbundet, siger forskerne .
Men både carbon nanotube-transistorer og RRAM er fremstillet ved køligere end 392 grader F (200 grader C), så de let kan være lagdelt ovenpå silicium uden at skade det underliggende kredsløb. Dette gør også forskernes tilgang kompatibel med den nuværende chip-fremstilling teknologi, sagde de.
Stacking af mange lag oven på hinanden kan potentielt føre til overophedning, sagde Mitra, fordi de øverste lag vil være langt fra kølepladerne ved bunden af chippen. Men, tilføjede han, at problemet skulle være relativt enkelt at konstruere, og den øgede energieffektivitet i den nye teknologi betyder, at der frembringes mindre varme i første omgang.
For at demonstrere fordelene ved dets design opbyggede teamet en prototype gasdetektor ved at tilføje et andet lag af carbon nanotube-baserede sensorer på toppen af chippen. Den lodrette integration betød, at hver af disse sensorer var direkte forbundet med en RRAM-celle, hvilket dramatisk øgede hastigheden, hvormed data kunne behandles.
Disse data blev derefter overført til det logiske lag, som implementerede en maskinlæringsalgoritme, der gjorde det muligt at skelne mellem damperne af citronsaft, vodka og øl.
Dette var dog bare en demonstration, sagde Mitra, og chippen er meget alsidig og især velegnet til den slags datatunge, dybe neurale netværksmetoder, der understøtter den nuværende kunstige intelligens teknologi.
Jan Rabaey, professor i elektroteknik og datalogi ved University of California i Berkeley, som ikke var involveret i forskningen, sagde, at han er enig.
"Disse strukturer kan være særligt velegnede til alternative læringsbaserede beregningsparadigmer som hjerneinspirerede systemer og dybe neurale net, og den tilgang, som forfatterne præsenterer, er bestemt et godt første skridt i den retning," sagde han til MIT News.
