De senaste framstegen inom artificiell intelligens (AI) har öppnat nya spännande möjligheter för snabb analys av data, informationsinhämtning och generering av användningsspecifikt innehåll.
För att köra AI-modeller måste dagens hårdvara kontinuerligt flytta data från interna minneskomponenter till processorer, vilket är energikrävande och kan öka den tid som krävs för att utföra specifika uppgifter.
Under de senaste åren har ingenjörer försökt utveckla nya system som kan övervinna denna begränsning och köra AI-algoritmer på ett mer tillförlitligt och effektivt sätt. En föreslagen lösning är utvecklingen av in-memory-datasystem.
Content-addressable memory (CAM) är ett av de tidigaste in-memory-datasystemen, där minneskomponenter söker efter lagrad data snabbare genom att jämföra varje lagrad post samtidigt baserat på dess innehåll, men det står inför utmaningar för AI-applikationer på grund av den grundläggande begränsningen hos kiseltransistorer.
Forskare vid Hongkonguniversitetet, Fudanuniversitetet och Nationaluniversitetet i Singapore har nyligen introducerat ett nytt CAM som tillverkats med hjälp av det tvådimensionella (2D) materialet molybdendisulfid (MoS₂), till skillnad från konventionella kiselbaserade halvledare.
Denna ultratunna enhet, som presenterades i en artikel i Nature Nanotechnology, visade sig fungera utomordentligt bra och köra maskininlärningsalgoritmer direkt i en minneskomponent på ett effektivt sätt.
”Inspirationen till vår artikel kom från en paradox inom vårt område”, berättade Dr. Can Li, seniorförfattare till artikeln, för Phys.org. ”2D-material är kända för sin ’vackra fysik’ och sina utmärkta teoretiska egenskaper, men de behandlas ofta bara som en framtida teknik – något som ska ersätta kisel först när kisel inte längre kan skalas ned. Deras unika prestanda har sällan använts i stor skala i verkliga tillämpningar idag, men vi ville ändra på det.”
Den senaste studien genomfördes av ett tvärvetenskapligt team av ingenjörer, kemister och fysiker, däribland professor Lance Li, som är en världsledande expert på 2D-material. Arbetets huvudsakliga mål var att visa på 2D-materialens potential för att lösa aktuella problem inom datavetenskap.
”Jag måste också betona att detta var ett enormt arbete av våra författare, Dr Guoyun Gao, som ledde tillverkningen av enheten och matrisen för att uppnå så hög prestanda, och Mr Bo Wen, som genomförde matrismätningarna och etablerade den kritiska kopplingen mellan vår enhets prestanda och söktillämpningarna”, säger professor Li.
En energieffektiv minnesenhet baserad på 2D-material
Dr Li och hans kollegor har under flera år utforskat potentialen hos in-memory-datorhårdvara. Deras senaste arbete har specifikt fokuserat på CAM:er, som i huvudsak fungerar som hårdvarusökmotorer.
”För att fungera effektivt kräver CAM en mycket specifik typ av enhet: en med hög ON-ström (för hastighet) och låg läckage (för noggrannhet och effektivitet)”, förklarar Li. ”Även om 2D-material har den fysik som krävs för detta är det en teknisk mardröm att omvandla dem till faktiska enheter. Vanligtvis sjunker prestandan när man bygger enheten på grund av motstånds- och gränssnittsproblem.”
För att hantera tidigare identifierade tekniska utmaningar och framgångsrikt utveckla en CAM baserad på 2D-material förlitade sig forskarna på professor Lance Lis expertis. Med utgångspunkt i hans tidigare arbete inom området använde de halvmetalliska antimonkontakter (Sb) och en lågtemperaturpassiveringsteknik, vilket gjorde det möjligt för dem att realisera ett fungerande chip som bevarade MoS₂:s inneboende fysik.
Bidrar till utvecklingen av AI-hårdvara
I de första testerna visade sig den 2D-materialbaserade CAM som forskarna skapade uppnå extremt höga ON/OFF-förhållanden (>1 000 000 000), vilket i huvudsak innebär att den tydligt kunde skilja mellan olika datatillstånd. Den uppnådde också de höga utläsningsströmmar och låga energiläckage som krävs för att pålitligt köra maskininlärningsalgoritmer i minnet.
Upptäck det senaste inom AI och teknik. Anmäl dig till vårt gratis AI nyhetsbrev och få uppdateringar om genombrott, innovationer och forskning.
”Vi har äntligen släppt loss den sanna kraften hos 2D-enheter”, säger Li. ” Vi har visat rekordprestanda för analog sökning i minnet, vilket bevisar att dessa material kan överträffa befintlig teknik i verkliga uppgifter.”
Teamets minnesenhet visade sig kunna söka efter önskade data med en latens på endast 36 pikosekunder och med en energiförbrukning på mindre än 0,1 femtojoule per cell, vilket är anmärkningsvärt lågt jämfört med tidigare föreslagna CAM-enheter. Dessutom har teamet redan visat att det går att klassificera data direkt i minnet med hög precision.
I framtiden kan den nya enheten användas för att skapa ny AI-hårdvara, särskilt edge-AI-enheter, inklusive smartphones, sensorer, fitness-trackers och andra bärbara enheter. Dessa enheter kan effektivt köra AI-algoritmer lokalt, utan att behöva skicka data till molnservrar.
”Vi ser detta arbete som bara början”, tillade Li. ”Nu när vi har knäckt koden för att skapa högpresterande 2D-matriser planerar vi att utforska att stapla dem vertikalt (3D-integration) för att öka densiteten. Vi tror att vi har öppnat en ny dörr för att fullt ut utnyttja potentialen hos 2D-material för nästa generations datorarkitekturer.”
Mer information: Guoyun Gao et al, Sb-contacted MoS2 flash memory for analogue in-memory searches, Nature Nanotechnology (2025). DOI: 10.1038/s41565-025-02089-7.