قالت دراسة جديدة إن نوعًا جديدًا من شرائح الكمبيوتر ثلاثية الأبعاد التي تجمع بين اثنين من تقنيات النانو المتطورة يمكن أن يزيد بشكل كبير من سرعة وكفاءة الطاقة في المعالجات.
رقائق اليوم تفصل الذاكرة (التي تخزن البيانات) والدوائر المنطقية (التي تعالج البيانات) ، ويتم نقل البيانات ذهابًا وإيابًا بين هذين المكونين لتنفيذ العمليات. ولكن بسبب العدد المحدود من الاتصالات بين الذاكرة والدوائر المنطقية ، فقد أصبح هذا اختناقًا كبيرًا ، خاصة لأنه من المتوقع أن تتعامل أجهزة الكمبيوتر مع كميات متزايدة من البيانات.
في السابق ، تم إخفاء هذا القيد من خلال آثار قانون مور ، الذي ينص على أن عدد الترانزستورات التي يمكن أن تتناسب مع الرقاقة يتضاعف كل عامين ، مع زيادة مصاحبة في الأداء. ولكن مع وصول شركات تصنيع الرقائق إلى حدود مادية أساسية حول كيفية الحصول على الترانزستورات الصغيرة ، تباطأ هذا الاتجاه.
رقاقة النموذج الأولي الجديدة ، التي صممها مهندسون من جامعة ستانفورد ومعهد ماساتشوستس للتكنولوجيا ، تعالج كلتا المشكلتين في وقت واحد عن طريق وضع طبقات الذاكرة والدوائر المنطقية فوق بعضها البعض ، بدلاً من جنبًا إلى جنب.
وقال الباحثون إن هذا لا يؤدي فقط إلى استخدام المساحة بكفاءة ، ولكنه يزيد أيضًا بشكل كبير من مساحة السطح للاتصالات بين المكونات. سيكون للدائرة المنطقية التقليدية عدد محدود من المسامير على كل حافة يتم من خلالها نقل البيانات ؛ على النقيض من ذلك ، لم يقتصر الباحثون على استخدام الحواف وكانوا قادرين على حزم الأسلاك العمودية بكثافة التي تعمل من الطبقة المنطقية إلى طبقة الذاكرة.
وقال سوبهاش ميترا ، أستاذ الهندسة الكهربائية وعلوم الكمبيوتر في ستانفورد ، لـ Live Science: "مع الذاكرة والحوسبة المنفصلة ، تشبه الرقاقة تقريبًا مدينتين مكتظتين بالسكان ، ولكن هناك عدد قليل جدًا من الجسور بينهما". "الآن ، لم نقم فقط بجمع هاتين المدينتين معًا - لقد بنينا العديد من الجسور حتى يمكن للمرور المرور بكفاءة أكبر بينهما."
علاوة على ذلك ، استخدم الباحثون الدوائر المنطقية التي تم إنشاؤها من ترانزستورات الأنابيب النانوية الكربونية ، إلى جانب تقنية ناشئة تسمى ذاكرة الوصول العشوائي المقاومة (RRAM) ، وكلاهما أكثر كفاءة في استخدام الطاقة من تقنيات السليكون. هذا مهم لأن الطاقة الضخمة اللازمة لتشغيل مراكز البيانات تشكل تحديًا كبيرًا آخر يواجه شركات التكنولوجيا.
وقال ميترا: "للحصول على التحسين التالي بألف مرة في أداء الحوسبة من حيث كفاءة الطاقة ، مما يجعل الأمور تعمل بطاقة منخفضة للغاية وفي نفس الوقت تجعل الأمور تسير بسرعة كبيرة ، هذه هي الهندسة التي تحتاجها".
وقال الباحثون إنه على الرغم من أن كل من هذه التقنيات النانوية الجديدة لها مزايا متأصلة عن التكنولوجيا التقليدية القائمة على السليكون ، إلا أنها جزء لا يتجزأ من العمارة ثلاثية الأبعاد للشريحة الجديدة.
قال الباحثون إن سبب كون رقائق اليوم ثنائية الأبعاد هو أن تصنيع ترانزستورات السيليكون على رقاقة يتطلب درجات حرارة تزيد عن 1800 درجة فهرنهايت (1000 درجة مئوية) ، مما يجعل من المستحيل وضع طبقات من السيليكون فوق بعضها البعض دون الإضرار بالطبقة السفلية. .
لكن كل من ترانزستورات الأنابيب النانوية الكربونية و RRAM يتم تصنيعها على درجة حرارة أقل من 392 درجة فهرنهايت (200 درجة مئوية) ، بحيث يمكن وضعها بسهولة فوق طبقة السيليكون دون الإضرار بالدارات الكامنة. وقالوا إن هذا يجعل منهج الباحثين متوافقًا مع تقنية صناعة الرقائق الحالية.
وقال ميترا إن تكديس العديد من الطبقات فوق بعضها البعض قد يؤدي إلى ارتفاع درجة الحرارة ، لأن الطبقات العليا ستكون بعيدة عن أحواض الحرارة في قاعدة الشريحة. لكنه أضاف أن هذه المشكلة يجب أن تكون بسيطة نسبيًا للتغلب عليها ، وزيادة كفاءة استخدام الطاقة في التكنولوجيا الجديدة تعني توليد حرارة أقل في المقام الأول.
لإثبات فوائد تصميمه ، بنى الفريق كاشفًا أوليًا للغاز عن طريق إضافة طبقة أخرى من أجهزة الاستشعار القائمة على الأنابيب النانوية الكربونية أعلى الشريحة. يعني التكامل الرأسي أن كل من أجهزة الاستشعار هذه كانت متصلة مباشرة بخلية RRAM ، مما يزيد بشكل كبير من معدل معالجة البيانات.
ثم تم نقل هذه البيانات إلى الطبقة المنطقية ، التي كانت تنفذ خوارزمية التعلم الآلي التي مكنتها من التمييز بين أبخرة عصير الليمون والفودكا والبيرة.
وقال ميترا إن هذا كان مجرد عرض ، والشريحة متعددة الاستخدامات للغاية ومناسبة بشكل خاص لهذا النوع من نهج الشبكات العصبية العميقة التي تعتمد على البيانات والتي تدعم تقنية الذكاء الاصطناعي الحالية.
قال جان راباي ، أستاذ الهندسة الكهربائية وعلوم الكمبيوتر في جامعة كاليفورنيا في بيركلي ، والذي لم يشارك في البحث ، إنه يوافق على ذلك.
وقال لـ MIT News: "قد تكون هذه الهياكل مناسبة بشكل خاص للنماذج الحسابية البديلة القائمة على التعلم مثل الأنظمة المستوحاة من الدماغ والشبكات العصبية العميقة ، والنهج الذي قدمه المؤلفون هو بالتأكيد خطوة أولى رائعة في هذا الاتجاه".
