环球零碳
碳中和领域的《新青年》
首图来源：Shutterstock
人工智能（AI）技术飞速发展，其庞大的电力需求已成为产业面临的重大挑战。
传统计算机架构在内存与处理单元之间频繁传输数据，导致能源大量损耗。针对此问题，由剑桥大学领导的研究团队开发出一种受人类大脑启发的新型纳米电子组件，有望将 AI 系统的耗能降低高达 70%。
这项研究成果已发表在《科学进展》（Science Advances）期刊。研究团队利用改进后的二氧化铪（Hafnium oxide）开发出一种高度稳定的低能耗「忆阻器」（Memristor）。此种组件的设计灵感来自于大脑神经元高效连接与沟通的方式，能将数据储存与处理整合在同一位置，实现“类脑运算（Neuromorphic Computing）”。
与现有的忆阻器技术不同，剑桥团队采取了创新的设计路径。目前的忆阻器大多依赖在金属氧化物材料内部形成微小的导电丝（Filaments），但此种方式往往具有不可预测性，且需要高电压执行。研究人员透过引入锶（Strontium）和钛（Titanium），并采用两步生长制程，在氧化物层的接口处创造出微小的电子闸门，即「p-n 结」。此种结构让组件能透过改变接口能垒来平滑调整电阻，而非依赖不稳定的导电丝，进而确保了组件在不同周期与装置之间展现出卓越的一致性。
在效能表现方面，此种新型组件的切换电流比传统氧化物忆阻器低了约100万倍，并能提供数百个稳定的电导能阶，这对于模拟「内存内运算（In-Memory Computing）」至关重要。实验室测试显示，该组件能承受数万次的切换周期，并能仿真生物学习行为，例如「脉冲定时依赖可塑性（Spike-Timing Dependent Plasticity）」，这意味着硬件不仅能储存数据，还具备学习与适应的能力。
尽管潜力巨大，该技术目前仍面临制造上的挑战。目前的生产过程需要约 700°C 的高温，这超出了标准半导体生产的限制。
研究负责人、剑桥大学材料科学与冶金系及工程系的 Babak Bakhit 博士表示，团队正致力于降低制程温度，以使其能与现有的工业标准兼容。他强调，若能成功解决温度问题并将此组件整合至芯片系统中，将是 AI 硬件发展的一大跨越。
Bakhit 博士透露，他在研发过程中经历了无数次失败，直到去年 11 月底透过修改两阶段沉积制程，在第一层形成后才引入氧气，才终于获得理想的实验结果。虽然目前仍处于早期阶段，但其极低的耗能与优异的效能，为未来 AI 硬件的节能转型带来了曙光。
（转自科技新报）
热门阅读
（点击图片跳转阅读）
热门跟贴