En ny type 3D-datamaskinbrikke som kombinerer to nyskapende nanoteknologier kan øke hastigheten og energieffektiviteten til prosessorer dramatisk, sier en ny studie.
Dagens brikker skiller minne (som lagrer data) og logiske kretsløp (som behandler data), og data blir sendt frem og tilbake mellom disse to komponentene for å utføre operasjoner. Men på grunn av det begrensede antall forbindelser mellom hukommelse og logiske kretsløp, blir dette en viktig flaskehals, spesielt fordi datamaskiner forventes å håndtere stadig større datamengder.
Tidligere ble denne begrensningen maskert av virkningene av Moores lov, som sier at antall transistorer som kan passe på en brikke, fordobles hvert annet år, med en tilhørende økning i ytelsen. Men ettersom brikkeprodusenter treffer grunnleggende fysiske grenser for hvor små transistorer kan få, har denne trenden avtatt.
Den nye prototypebrikken, designet av ingeniører fra Stanford University og Massachusetts Institute of Technology, takler begge problemene samtidig ved å lagre minne og logiske kretsløp oppå hverandre, snarere enn side om side.
Ikke bare gjør dette effektiv bruk av rommet, men det øker også overflaten for forbindelser mellom komponentene dramatisk, sier forskerne. En konvensjonell logisk krets vil ha et begrenset antall pinner i hver kant som dataene skal overføres til; derimot var forskerne ikke begrenset til å bruke kanter og klarte å pakke vertikale ledninger tett fra det logiske laget til minnelaget.
"Med separat minne og databehandling er en brikke nesten som to veldig folkerike byer, men det er veldig få broer mellom dem," sa studieleder Subhasish Mitra, professor i elektroteknikk og informatikk ved Stanford, til Live Science. "Nå har vi ikke bare brakt sammen disse to byene - vi har bygget mange flere broer slik at trafikken kan gå mye mer effektivt mellom dem."
På toppen av dette brukte forskerne logiske kretser konstruert av karbon nanorørstransistorer, sammen med en ny teknologi som kalles resistivt tilfeldig tilgangsminne (RRAM), som begge er mye mer energieffektive enn silisiumteknologier. Dette er viktig fordi den enorme energien som trengs for å drive datasentre utgjør en annen stor utfordring teknologiselskaper står overfor.
"For å få de neste 1000 ganger forbedring av dataytelsen når det gjelder energieffektivitet, som får ting til å løpe med veldig lav energi og samtidig få ting til å løpe veldig fort, er dette arkitekturen du trenger," sa Mitra.
Selv om begge disse nye nanoteknologiene har iboende fordeler i forhold til konvensjonell, silisiumbasert teknologi, er de også integrert i den nye brikkens 3D-arkitektur, sa forskerne.
Årsaken til at dagens flis er 2D er fordi fabrikasjon av silisiumtransistorer på en brikke krever temperaturer på mer enn 1 800 grader Fahrenheit (1000 grader Celsius), noe som gjør det umulig å legge silisiumkretsløp på toppen av hverandre uten å skade bunnsjiktet, sa forskerne. .
Men både karbon nanorørstransistorer og RRAM er produsert på kjøligere enn 200 grader F (200 grader), slik at de lett kan legges på toppen av silisium uten å skade underliggende kretsløp. Dette gjør også forskernes tilnærming kompatibel med gjeldende brikkeproduserende teknologi, sa de.
Å stable mange lag oppå hverandre kan potensielt føre til overoppheting, sa Mitra, fordi topplagene vil være langt fra kjøleribben ved bunnen av brikken. Men, la han til, at problemet burde være relativt enkelt å konstruere, og den økte energieffektiviteten til den nye teknologien betyr at mindre varme genereres i utgangspunktet.
For å demonstrere fordelene med designen bygde teamet en prototype gassdetektor ved å legge et nytt lag med karbon nanorør-baserte sensorer på toppen av brikken. Den vertikale integrasjonen betydde at hver av disse sensorene var direkte koblet til en RRAM-celle, noe som dramatisk økte hastigheten som data kunne behandles på.
Disse dataene ble deretter overført til det logiske laget, som implementerte en maskinlæringsalgoritme som gjorde det mulig å skille mellom damper av sitronsaft, vodka og øl.
Dette var imidlertid bare en demonstrasjon, sa Mitra, og brikken er svært allsidig og spesielt godt egnet til den typen datatunge, dype nevrale nettverkstilnærminger som understøtter dagens kunstig intelligens teknologi.
Jan Rabaey, professor i elektroteknikk og informatikk ved University of California i Berkeley, som ikke var involvert i forskningen, sa han er enig.
"Disse strukturene kan være spesielt egnet for alternative læringsbaserte beregningsparadigmer som hjerneinspirerte systemer og dype nevrale nett, og tilnærmingen som forfatterne presenterer er definitivt et flott første skritt i den retningen," sa han til MIT News.
