A nanotecnologia promove dispositivos energeticamente eficientes que aumentam significativamente o desempenho do chip para uma IA mais rápida e poderosa, ao mesmo tempo que apoia a integração densa de detecção e computação, reduzindo o consumo de energia para inteligência avançada no chip.
O Encontro Internacional de Dispositivos Eletrônicos do IEEE (IEDM) (https://www.ieee-iedm.org), realizado anualmente, reúne pesquisadores e profissionais da indústria para trocar ideias sobre tecnologias inovadoras de semicondutores. Na reunião deste ano, o foco permaneceu firmemente na computação energeticamente eficiente, uma prioridade para garantir que o rápido progresso da inteligência synthetic (IA) não conduza a custos de energia inflacionados.
Crédito: Vasyl Yakobchuk / Alamy Inventory Photograph
Ao mesmo tempo, a mudança para a IA de ponta – modelos diretamente em dispositivos locais ou na “borda” de uma rede – está a remodelar paradigmas de computação arcaicos. Ao tomar decisões em tempo actual na fonte dos dados, a IA de ponta alivia a carga dos servidores em nuvem. No entanto, colocar a IA no limite também traz desafios de design relacionados ao consumo de energia, à dissipação de calor e ao espaço ocupado pelos dispositivos, estimulando a inovação na arquitetura e no {hardware} do sistema.
No Nanotecnologia da Naturezaacompanhamos e documentamos de perto esses desenvolvimentos, apresentando pesquisas de ponta na interseção da nanotecnologia e da computação avançada, onde sua sinergia impulsiona a inteligência no chip da próxima geração. Por exemplo, novos materiais e arquiteturas de transistores podem ser miniaturizados para apenas alguns nanômetros, mantendo o desempenho. Mais radicalmente, o {hardware} neuromórfico – um paradigma emergente que imita a arquitetura do cérebro para um processamento altamente paralelo e eficiente – aproveita elementos em nanoescala modelados em neurônios biológicos e sinapses para fornecer recursos de IA de baixa latência e em tempo actual no nível do {hardware}.
Uma estratégia proeminente para alcançar aprendizagem e inferência no chip é a computação em memória (IMC). Ao realizar o processamento de dados diretamente em matrizes de memória, em vez de em unidades de processamento separadas, o IMC pode reduzir drasticamente a sobrecarga de transferência de dados. Alcançar o desempenho ultimate do IMC requer o co-projeto de matrizes de memória e circuitos periféricos, onde as compensações moldadas por várias tecnologias de memória subjacentes tornam essencial a metrologia robusta. O grupo de Naresh Shanbhag, da Universidade de Illinois Urbana-Champaign, responde a esta necessidade compilando um repositório de benchmarking de métricas IMC, para quantificar o desempenho, eficiência e precisão; e analisar os dados IMC relatados1. Eles também introduziram uma metodologia sobre as compensações entre precisão de energia e segurança em IMC baseado em memória não volátil incorporada.2. Essas compensações foram amplamente reconhecidas pelos pesquisadores durante uma recente Conferência da Natureza em Pequim (https://conferences.nature.com/occasion/NeuromorphicComputing), onde uma variedade de paradigmas IMC foram apresentados, e algoritmos e dispositivos IMC assíncronos emergentes (orientados por eventos, baseados em picos e assim por diante) também surgiram.
Nesta edição trazemos diversas abordagens que aproveitam novos materiais e funcionalidades de dispositivos para aproveitar a memória não volátil para IMC. Em seu ArtigoSeung Ju Kim et al. introduzir materiais haleto de perovskita, um condutor misto eletrônico-iônico anteriormente bem conhecido para células solares e LEDs, para desenvolver dispositivos neuromórficos com distribuição uniforme de íons. Eles constroem uma matriz de barra transversal 7 × 7 baseada em sinapses de perovskita analógicas, alcançando controle de peso sináptico ultralinear e simétrico que aumenta a precisão e a eficiência da computação. Em outro Artigointegrando a detecção na computação na memória, Heyi Huang et al. apresentam um array de 1 kb totalmente integrado (foto na capa desta edição) com células de memristor um optoeletrônico de 128 × 8 um transistor e circuitos CMOS de silício, que apresenta funcionalidade multimodo configurável em sistemas de visão synthetic.
Em seu ArtigoEva Díaz et al. comparar sistematicamente a eficiência de comutação de magnetização de pulsos de corrente em sete ordens de grandeza no tempo. Ao estudar a comutação de torque spin-órbita (SOT) em dispositivos em nanoescala em vários comprimentos de pulso, eles revelam que o custo de energia para a comutação SOT diminui em mais de uma ordem de grandeza quando a duração do pulso entra na faixa de picossegundos. Seu estudo sobre como a comutação ultrarrápida pode reduzir substancialmente o consumo de energia fornece informações importantes para o desenvolvimento de memória baseada em spintrônica com maior eficiência energética.
A dissipação eficaz de calor é outro fator chave em aplicações de IA do mundo actual, especialmente em sistemas compactos. Em seu ArtigoKai Wu et al. detalhar como os insights em nanoescala podem orientar o projeto de materiais de interface térmica (TIMs), usando uma heterointerface gradiente para alcançar a condutância térmica quase ultimate prevista pela teoria. O seu estudo reduz a lacuna de conhecimento entre as previsões teóricas e as propriedades térmicas reais dos TIMs existentes, ajudando a exploração de novas soluções de refrigeração.
A inteligência no chip exige insights e inovações em nanoescala em todas as camadas do design de dispositivos e sistemas. Aprofundar nossa compreensão dos fenômenos em nanoescala permite grandes ganhos de desempenho em eficiência energética, gerenciamento térmico e confiabilidade. A otimização de dispositivos individuais com design em nanoescala garante um controle preciso da carga, enquanto a nanofabricação de arquiteturas de densidade ultra-alta reúne bilhões de células em um espaço compacto. A exploração de novos nanomateriais — desde transistores front-end e tecnologias de memória até interconexões e embalagens back-end — amplia nosso package de ferramentas para a criação de sistemas mais eficientes e robustos.
Os artigos reunidos nesta edição refletem um corpo crescente de literatura sobre eficiência energética e paradigmas de computação em evolução para inteligência no chip. Estamos numa fronteira emocionante que irá redefinir o que os dispositivos eletrónicos podem realizar e estamos entusiasmados por fazer parte desta jornada.