La nanotecnología fomenta dispositivos de eficiencia energética que aumentan significativamente el rendimiento en el chip para una IA más rápida y potente, al tiempo que respalda la integración densa de la detección y la computación, reduciendo el consumo de energía para la inteligencia avanzada en chip.
La reunión de dispositivos de electrones internacionales (IEDM) (IEDM) (IEDM)https://www.ieee-iedm.org), realizado anualmente, reúne a investigadores y profesionales de la industria para intercambiar concepts sobre tecnologías innovadoras de semiconductores. En la reunión de este año, el centro de atención se mantuvo firmemente en la informática de eficiencia energética, una prioridad para garantizar que el rápido progreso de inteligencia synthetic (IA) no conduzca a un costo de energía inflado.
Crédito: Vasyl Yakobchuk / Alamy Inventory Picture
Al mismo tiempo, el cambio hacia Edge AI, modelos directamente en dispositivos locales o en el ‘borde’ de una purple, está remodelando los paradigmas de computación arcaica. Al realizar la toma de decisiones en tiempo actual en la fuente de datos, Edge AI alivia la carga de los servidores de la nube. Sin embargo, colocar IA en el borde también viene con desafíos de diseño relacionados con el consumo de energía, la disipación de calor y las huellas de dispositivos, estimulando la innovación en la arquitectura y el {hardware} del sistema.
En Nanotecnología de la naturalezarastreamos y documentamos de cerca estos desarrollos, mostrando una investigación de vanguardia en la intersección de la nanotecnología y la informática avanzada, donde su sinergia impulsa la inteligencia de próxima generación en el chip. Por ejemplo, los nuevos materiales y arquitecturas de transistores se pueden miniaturizar a solo unos pocos nanómetros mientras mantienen el rendimiento. Más radicalmente, el {hardware} neuromórfico, un paradigma emergente que imita la arquitectura del cerebro para un procesamiento altamente paralelo y eficiente, aprovecha elementos a nanoescala modelados en neuronas y sinapsis biológicas para ofrecer capacidades de IA en tiempo actual y de baja latencia en el nivel de {hardware}.
Una estrategia destacada para lograr el aprendizaje e inferencia en el chip es la computación en memoria (IMC). Al realizar el procesamiento de datos directamente dentro de las matrices de memoria en lugar de en unidades de procesamiento separadas, IMC puede reducir drásticamente la sobrecarga de transferencias de datos. Lograr un rendimiento óptimo de IMC requiere el co-diseño de matrices de memoria y circuitos periféricos, donde las compensaciones conformadas por varias tecnologías de memoria subyacentes hacen que la metrología robusta sea esencial. El grupo de Naresh Shanbhag, de la Universidad de Illinois Urbana-Champaign, responde a esta necesidad compilando un repositorio de evaluación comparativa de métricas IMC, para cuantificar el rendimiento, la eficiencia y la precisión; y analizar los datos de IMC informados1. También introdujeron una metodología sobre las compensaciones de energía-precisión-seguridad en IMC no volátil integrado basado en la memoria2. Dichas compensaciones han sido ampliamente reconocidas por los investigadores durante una conferencia de naturaleza reciente en Beijing (https://conferences.nature.com/occasion/neuromorphiccomputing), donde se presentaron una variedad de paradigmas IMC, y también han surgido los algoritmos y dispositivos IMC asincrónicos emergentes (basados en eventos, basados en picos, and so forth.).
En este tema, aportamos varios enfoques que aprovechan las nuevas funcionalidades de materiales y dispositivos para aprovechar la memoria no volátil para IMC. En su ArtículoSeung Ju Kim et al. Introducir materiales de perovskita de haluro, un conductor electrónico-iónico mixto previamente conocido por células solares y LED, para desarrollar dispositivos neuromórficos con una distribución de iones uniformes. Construyen una matriz de barras transversales 7 × 7 basada en sinapsis analógicas de perovskita, logrando un management de peso sináptico extremely lineal y simétrico que mejora la precisión y eficiencia del cálculo. En otro Artículointegrando la detección en la computación en memoria, Heyi Huang et al. Presente una matriz de 1 kb totalmente integrada (en la foto en la cubierta de este problema) con 128 × 8 un transistor de células de memristor un solo transistor y circuitos CMOS de silicio, que presenta una funcionalidad de modo múltiple configurable en sistemas de visión synthetic.
En su ArtículoEva Díaz et al. Evaluate sistemáticamente la eficiencia de cambio de magnetización de los pulsos de corriente en siete órdenes de magnitud en el tiempo. Al estudiar la conmutación de torque de órbita giratoria (SOT) en dispositivos a nanoescala a varias longitudes de pulso, revelan que el costo de energía para el cambio de SOT disminuye en más de un orden de magnitud cuando la duración del pulso entra en el rango de picosegundos. Su estudio sobre cómo la conmutación ultrarrápida puede reducir sustancialmente el consumo de energía proporciona información importante para desarrollar memoria basada en Spintronics con una mejor eficiencia energética.
La disipación de calor efectiva es otro issue clave en las aplicaciones de IA del mundo actual, particularmente en sistemas compactos. En su ArtículoKai Wu et al. Detalle cómo las concepts a nanoescala pueden guiar el diseño de materiales de interfaz térmica (TIMS), utilizando una heterointerfaz de gradiente para lograr una conductancia térmica casi very best predicha por la teoría. Su estudio cut back la brecha de conocimiento entre las predicciones teóricas y las propiedades térmicas reales de los TIMS existentes, ayudando a la exploración de nuevas soluciones de enfriamiento.
La inteligencia en chip exige concepts e innovaciones a nanoescala en cada capa de diseño de dispositivos y sistemas. La profundización de nuestra comprensión de los fenómenos a nanoescala desbloquea importantes ganancias de rendimiento en la eficiencia energética, el manejo térmico y la confiabilidad. La optimización de dispositivos individuales con diseño a nanoescala garantiza un management de carga preciso, mientras que la nanofabricación de arquitecturas de extremely densidad incluye miles de millones de células en una huella compacta. Explorando nuevos nanomateriales, desde transistores frontales y tecnologías de memoria hasta interconexiones y empaques de fondo, amplía nuestro package de herramientas para crear sistemas más eficientes y robustos.
Los artículos reunidos en este tema reflejan un creciente cuerpo de literatura sobre la eficiencia energética y los paradigmas de computación en evolución para la inteligencia en chip. Nos paramos en una frontera emocionante que redefinirá lo que los dispositivos electrónicos pueden lograr, y estamos entusiasmados de ser parte de este viaje.
