두 가지 최첨단 나노 기술을 결합한 새로운 유형의 3D 컴퓨터 칩은 프로세서의 속도와 에너지 효율을 크게 향상시킬 수 있다고 새로운 연구는 밝혔다.
오늘날의 칩은 메모리 (데이터를 저장하는)와 논리 회로 (데이터를 처리하는)를 분리하며 데이터는이 두 구성 요소 사이에서 왕복 이동하여 작업을 수행합니다. 그러나 메모리와 논리 회로 사이의 연결 수가 제한되어 있기 때문에 특히 컴퓨터가 점점 더 많은 양의 데이터를 처리해야하기 때문에 이는 병목 현상이되고 있습니다.
이전에는 이러한 제한이 무어의 법칙에 의해 가려 졌는데, 이는 칩에 장착 할 수있는 트랜지스터의 수가 2 년마다 두 배로 증가하고 성능이 향상된다고 말합니다. 그러나 칩 제조업체가 소형 트랜지스터를 얻는 방법에 대한 근본적인 물리적 한계에 부딪 치면서이 추세는 느려졌다.
Stanford University와 Massachusetts Institute of Technology의 엔지니어가 설계 한 새로운 프로토 타입 칩은 메모리와 로직 회로를 나란히 배치하지 않고 서로 겹쳐서 두 가지 문제를 동시에 해결합니다.
이를 통해 공간을 효율적으로 사용할 수있을뿐만 아니라 부품 간 연결을위한 표면적도 크게 증가시킬 수 있습니다. 종래의 논리 회로는 데이터를 전송하기 위해 각 에지에 제한된 수의 핀을 가질 것이다. 대조적으로, 연구원들은 에지를 사용하는 것으로 제한되지 않았으며 로직 층에서 메모리 층으로 이어지는 수직 와이어를 조밀하게 패킹 할 수 있었다.
스탠포드의 전기 공학 및 컴퓨터 과학 교수 인 Subhasish Mitra는 "별도의 메모리와 컴퓨팅으로 칩은 매우 인구가 많은 두 도시와 거의 같지만 브리지 사이에는 브리지가 거의 없다"고 말했다. "이제 우리는이 두 도시를한데 모은 것이 아니라 더 많은 교량을 건설하여 교통이 훨씬 효율적으로 이동할 수있게했습니다."
또한 연구진은 탄소 나노 튜브 트랜지스터로 구성된 로직 회로와 RRAM (Resistive Random-Access Memory)이라는 새로운 기술을 사용했는데,이 기술은 모두 실리콘 기술보다 훨씬 에너지 효율적이다. 이는 데이터 센터를 운영하는 데 필요한 막대한 에너지가 기술 회사가 직면 한 또 다른 주요 과제이기 때문에 중요합니다.
Mitra는 "에너지 효율 측면에서 컴퓨팅 성능의 다음 1,000 배 향상을 달성하기 위해 매우 낮은 에너지로 작동하고 동시에 매우 빠르게 작동하게하려면 이것이 필요한 아키텍처"라고 Mitra는 말했다.
이 새로운 나노 기술은 기존의 실리콘 기반 기술에 비해 고유 한 장점이 있지만 새로운 칩의 3D 아키텍처에도 필수적이라고 연구원들은 말했다.
오늘날 칩이 2D 인 이유는 칩에 실리콘 트랜지스터를 제작하는 데 화씨 1,800도 (1,000도) 이상의 온도가 필요하기 때문에 맨 아래 층을 손상시키지 않고 서로 위에 실리콘 회로를 쌓을 수 없기 때문이다. .
그러나 탄소 나노 튜브 트랜지스터와 RRAM은 모두 200 ° C (392 ° F)보다 낮은 온도에서 제작되므로 기본 회로를 손상시키지 않고 실리콘 위에 쉽게 적층 할 수 있습니다. 이는 또한 연구원들의 접근 방식이 현재 칩 제조 기술과 호환 될 수있게한다고 그들은 말했다.
Mitra는 여러 층을 서로 겹쳐 쌓으면 잠재적으로 과열 될 수 있다고 말했다. 왜냐하면 최상위 층은 칩베이스의 방열판에서 멀리 떨어져 있기 때문이다. 그러나이 문제는 엔지니어링하기가 비교적 간단해야하며, 새로운 기술의 에너지 효율이 높아지면 처음에는 열 발생이 줄어 듭니다.
이 설계의 이점을 입증하기 위해이 팀은 칩 위에 다른 탄소 나노 튜브 기반 센서 층을 추가하여 프로토 타입 가스 검출기를 구축했습니다. 수직 통합은 이러한 각 센서가 RRAM 셀에 직접 연결되어 데이터 처리 속도를 크게 향상 시켰음을 의미했습니다.
그런 다음이 데이터는 로직 레이어로 전송되어 레몬 주스, 보드카 및 맥주의 증기를 구별 할 수있는 기계 학습 알고리즘을 구현했습니다.
미트라는 칩이 매우 다재다능하며 특히 현재 인공 지능 기술을 뒷받침하는 데이터가 많고 심층적 인 신경망 접근 방식에 매우 적합하다고 Mitra 씨는 말했다.
버클리에있는 캘리포니아 대학의 전기 공학 및 컴퓨터 과학 교수 인 얀 라바 예 (Jan Rabaey)는 이번 연구에 참여하지 않았다고 말했다.
"이러한 구조는 특히 뇌에서 영감을 얻은 시스템 및 신경망과 같은 대안적인 학습 기반 전산 패러다임에 적합 할 수 있으며, 저자가 제시 한 접근 방식은 그 방향에서 가장 중요한 첫 단계입니다."
