Neuartiger Transistor

Ein Forschungsteam der University of Pennsylvania, der Sandia National Laboratories und des Brookhaven National Laboratory hat eine neue Computerarchitektur vorgestellt, die auf dem Prinzip des Compute-in-Memory (CIM) basiert und völlig ohne Transistoren auskommt – und das könnte sich als beachtlich erweisen effizienter für Workloads mit künstlicher Intelligenz (KI), einschließlich KI am Edge.

„Selbst wenn Transistoren in einer Compute-in-Memory-Architektur verwendet werden, beeinträchtigen sie die Zugriffszeit von Daten“, erklärt Projekt-Co-Leiter Deep Jariwala, stellvertretender Prozessor an der Fakultät für Elektro- und Systemtechnik (ESE) der University of Pennsylvania, die Entscheidung des Teams Abkehr von den aktuellen Standardbausteinen moderner Computer. „Sie erfordern viel Verdrahtung in der Gesamtschaltung eines Chips und verbrauchen daher mehr Zeit, Platz und Energie, als wir für KI-Anwendungen benötigen würden. Das Schöne an unserem Transistor-freien Design ist, dass es einfach, klein und einfach ist.“ schnell und erfordert sehr wenig Energie.

Die Architektur des Teams basiert auf dem etablierten Prinzip des Compute-in-Memory (CIM), bei dem ausgewählte Aufgaben direkt dort ausgeführt werden können, wo Daten gespeichert sind, ohne dass die übliche Umstellung erforderlich ist, um sie an die CPU, GPU oder den Beschleuniger zu übertragen und zu verarbeiten , und geben Sie es dann wieder in den Systemspeicher zurück. Durch den Einsatz von CIM wird ein großer Engpass beseitigt – und die Effizienz des Systems wird erheblich gesteigert, zumindest für ausgewählte Workloads.

Was das Team geschaffen hat, geht jedoch noch einen Schritt weiter, indem es nicht nur auf Transistoren verzichtet, sondern auch auf ein neuartiges Halbleitermaterial namens Scandium-legiertes Aluminiumnitrid (AlScN) umsteigt, das ein ferroelektrisches Schaltverhalten aufweist – physikalisch deutlich schneller schaltend als herkömmliche Halbleitermaterialien Wird für nichtflüchtige Speichergeräte verwendet.

„Eines der Hauptmerkmale dieses Materials besteht darin, dass es bei Temperaturen abgeschieden werden kann, die niedrig genug sind, um mit Siliziumgießereien kompatibel zu sein“, erklärt Troy Olsson, Co-Leiter und ESE-Assistenzprofessor. „Die meisten ferroelektrischen Materialien erfordern viel höhere Temperaturen. Aufgrund der besonderen Eigenschaften von AlScN können unsere gezeigten Speichergeräte in einem vertikalen heterointegrierten Stapel auf der Siliziumschicht platziert werden.“

„Denken Sie an den Unterschied zwischen einem mehrstöckigen Parkplatz mit einer Kapazität für hundert Autos und hundert Einzelparkplätzen, die auf einem einzigen Grundstück verteilt sind“, fährt Olsson fort. „Was ist platzsparender? Das Gleiche gilt für Informationen und Geräte in einem stark miniaturisierten Chip wie unserem. Diese Effizienz ist für Anwendungen, die Ressourcenbeschränkungen erfordern, wie mobile oder tragbare Geräte, ebenso wichtig wie für.“ Anwendungen, die extrem energieintensiv sind, wie etwa Rechenzentren.“

Die Transistor-freie Architektur des Teams hat nach Angaben des Teams das Potenzial, 100-mal schneller zu arbeiten als ein herkömmlicher Prozessor – und gleichzeitig eine überlegene Genauigkeit zu bieten. „Nehmen wir an“, erklärt Jariwala, „Sie haben eine KI-Anwendung, die einen großen Speicher zum Speichern sowie die Fähigkeit zur Mustererkennung und Suche benötigt. Denken Sie an selbstfahrende Autos oder autonome Roboter, die schnell und genau reagieren müssen.“ zu dynamischen, unvorhersehbaren Umgebungen. Mit herkömmlichen Architekturen würden Sie für jede Funktion einen anderen Bereich des Chips benötigen und die Verfügbarkeit und der Platz würden schnell verbraucht. Unser Ferrodioden-Design ermöglicht es Ihnen, alles an einem Ort zu erledigen, indem Sie einfach die Art und Weise ändern Sie legen Spannungen an, um es zu programmieren.

„Diese Forschung ist von großer Bedeutung“, behauptet Erstautor Xiwen Liu, Doktorand an der ESE, „denn sie beweist, dass wir uns auf die Speichertechnologie verlassen können, um Chips zu entwickeln, die mehrere KI-Datenanwendungen auf eine Weise integrieren, die das herkömmliche Rechnen wirklich in Frage stellt.“ Technologien. Wir entwerfen Hardware, die dafür sorgt, dass Software besser funktioniert, und mit dieser neuen Architektur stellen wir sicher, dass die Technologie nicht nur schnell, sondern auch präzise ist.“

Die Arbeit des Teams wurde unter geschlossenen Bedingungen in der Zeitschrift Nano Letters veröffentlicht, wobei ein Open-Access-Vorabdruck auf dem arXiv-Server von Cornell verfügbar ist.