Nuovo transistor

Un gruppo di ricerca dell’Università della Pennsylvania, dei Sandia National Laboratories e del Brookhaven National Laboratory ha svelato una nuova architettura informatica, basata sul principio del compute-in-memory (CIM), che è completamente priva di transistor e che potrebbe dimostrarsi considerevolmente più efficiente per i carichi di lavoro di intelligenza artificiale (AI), inclusa l’intelligenza artificiale all’edge.

"Anche se utilizzati in un'architettura compute-in-memory, i transistor compromettono il tempo di accesso ai dati", spiega il co-responsabile del progetto Deep Jariwala, assistente processore presso il dipartimento di Ingegneria Elettrica e dei Sistemi (ESE) dell'Università della Pennsylvania, spiega la decisione del team allontanarsi dagli attuali elementi costitutivi standard dei computer moderni. "Richiedono molti cablaggi nei circuiti complessivi di un chip e quindi utilizzano tempo, spazio ed energia in eccesso rispetto a quanto vorremmo per le applicazioni IA. La bellezza del nostro design senza transistor è che è semplice, piccolo e veloce e richiede pochissima energia."

L'architettura del team si basa sul principio consolidato del compute-in-memory (CIM), in cui le attività selezionate possono essere eseguite direttamente dove sono conservati i dati senza il consueto rimescolamento necessario per trasferirli alla CPU, GPU o acceleratore, elaborarli , quindi riportalo nuovamente nella memoria di sistema. Utilizzando CIM, viene eliminato un grosso collo di bottiglia e l’efficienza del sistema aumenta notevolmente, almeno per carichi di lavoro selezionati.

Ciò che il team ha creato va oltre, non solo eliminando i transistor ma anche passando a un nuovo materiale semiconduttore chiamato nitruro di alluminio legato allo scandio (AlScN), che mostra un comportamento di commutazione ferroelettrico, commutando fisicamente molto più velocemente rispetto ai materiali semiconduttori tradizionali. utilizzato per dispositivi di memoria non volatile.

"Uno degli attributi chiave di questo materiale è che può essere depositato a temperature sufficientemente basse da essere compatibile con le fonderie di silicio", spiega Troy Olsson, co-responsabile e professore assistente dell'ESE. "La maggior parte dei materiali ferroelettrici richiedono temperature molto più elevate. Le proprietà speciali di AlScN fanno sì che i nostri dispositivi di memoria dimostrati possano essere posizionati sopra lo strato di silicio in uno stack etero-integrato verticale."

"Pensate alla differenza tra un parcheggio multipiano con una capienza di cento auto e un centinaio di posti auto individuali distribuiti su un unico lotto", continua Olsson. "Che cosa è più efficiente in termini di spazio? Lo stesso vale per le informazioni e i dispositivi in ​​un chip altamente miniaturizzato come il nostro. Questa efficienza è importante tanto per le applicazioni che richiedono risorse limitate, come i dispositivi mobili o indossabili, quanto lo è per applicazioni ad alto consumo energetico, come i data center."

Secondo il team, l'architettura priva di transistor ha il potenziale per funzionare 100 volte più velocemente di un processore convenzionale, offrendo allo stesso tempo una precisione superiore. "Diciamo", spiega Jariwala, "che tu abbia un'applicazione AI che richiede una grande memoria per l'archiviazione, nonché la capacità di eseguire il riconoscimento e la ricerca di schemi. Pensa alle auto a guida autonoma o ai robot autonomi, che devono rispondere in modo rapido e preciso ad ambienti dinamici e imprevedibili. Utilizzando le architetture convenzionali, avresti bisogno di un'area diversa del chip per ciascuna funzione e bruceresti rapidamente disponibilità e spazio. Il nostro design a ferrodiodo ti consente di fare tutto in un unico posto semplicemente cambiando il modo si applicano tensioni per programmarlo."

"Questa ricerca è molto significativa", afferma il primo autore Xiwen Liu, dottorando presso l'ESE, "perché dimostra che possiamo fare affidamento sulla tecnologia della memoria per sviluppare chip che integrano più applicazioni di dati AI in un modo che sfida veramente l'informatica convenzionale". tecnologie. Progettiamo hardware che fa funzionare meglio il software e con questa nuova architettura ci assicuriamo che la tecnologia non sia solo veloce, ma anche precisa."

Il lavoro del team è stato pubblicato sulla rivista Nano Letters a termini chiusi, con una prestampa ad accesso aperto disponibile sul server arXiv della Cornell.