Một loại chip máy tính 3D mới kết hợp hai công nghệ nano tiên tiến có thể làm tăng đáng kể tốc độ và hiệu quả năng lượng của bộ xử lý, một nghiên cứu mới cho biết.
Các chip ngày nay tách bộ nhớ (lưu trữ dữ liệu) và mạch logic (xử lý dữ liệu) và dữ liệu được đưa qua lại giữa hai thành phần này để thực hiện các hoạt động. Nhưng do số lượng kết nối hạn chế giữa các bộ nhớ và mạch logic, điều này đang trở thành một nút cổ chai lớn, đặc biệt là vì các máy tính dự kiến sẽ xử lý lượng dữ liệu ngày càng tăng.
Trước đây, giới hạn này đã bị che dấu bởi các tác động của luật Moore, nói rằng số lượng bóng bán dẫn có thể lắp trên chip tăng gấp đôi cứ sau hai năm, với hiệu suất tăng đi kèm. Nhưng khi các nhà sản xuất chip đạt các giới hạn vật lý cơ bản về cách các bóng bán dẫn nhỏ có thể có được, xu hướng này đã chậm lại.
Chip nguyên mẫu mới, được thiết kế bởi các kỹ sư từ Đại học Stanford và Viện Công nghệ Massachusetts, giải quyết đồng thời cả hai vấn đề bằng cách xếp các mạch nhớ và mạch logic lên nhau, thay vì cạnh nhau.
Điều này không chỉ giúp sử dụng không gian hiệu quả mà còn tăng đáng kể diện tích bề mặt cho các kết nối giữa các thành phần, các nhà nghiên cứu cho biết. Một mạch logic thông thường sẽ có số lượng chân giới hạn ở mỗi cạnh để truyền dữ liệu; ngược lại, các nhà nghiên cứu không bị hạn chế sử dụng các cạnh và có thể đóng gói dày đặc các dây dọc chạy từ lớp logic đến lớp bộ nhớ.
Subhasish Mitra, giáo sư kỹ thuật điện và khoa học máy tính tại Stanford, nói: "Với bộ nhớ và điện toán riêng biệt, một con chip gần giống như hai thành phố rất đông dân, nhưng có rất ít cầu nối giữa chúng". "Bây giờ, chúng tôi không chỉ mang hai thành phố này lại với nhau - chúng tôi đã xây dựng nhiều cây cầu hơn để giao thông có thể đi lại hiệu quả hơn giữa chúng."
Trên hết, các nhà nghiên cứu đã sử dụng các mạch logic được chế tạo từ các bóng bán dẫn ống nano carbon, cùng với một công nghệ mới nổi gọi là bộ nhớ truy cập ngẫu nhiên điện trở (RRAM), cả hai đều tiết kiệm năng lượng hơn nhiều so với công nghệ silicon. Điều này rất quan trọng vì năng lượng khổng lồ cần thiết để điều hành các trung tâm dữ liệu tạo thành một thách thức lớn khác đối với các công ty công nghệ.
"Để có được sự cải thiện 1.000 lần tiếp theo về hiệu suất tính toán về hiệu quả năng lượng, khiến mọi thứ hoạt động ở mức năng lượng rất thấp và đồng thời khiến mọi thứ chạy rất nhanh, đây là kiến trúc bạn cần," Mitra nói.
Mặc dù cả hai công nghệ nano mới này đều có những lợi thế vốn có so với công nghệ dựa trên silicon thông thường, chúng cũng không thể thiếu trong kiến trúc 3D của chip mới, các nhà nghiên cứu cho biết.
Lý do các chip ngày nay là 2D là vì chế tạo các bóng bán dẫn silicon lên chip yêu cầu nhiệt độ hơn 1.800 độ F (1.000 độ C), khiến cho các lớp silicon không thể chồng lên nhau mà không làm hỏng lớp dưới cùng, các nhà nghiên cứu cho biết .
Nhưng cả hai bóng bán dẫn ống nano carbon và RRAM đều được chế tạo ở nhiệt độ lạnh hơn 392 độ F (200 độ C), vì vậy chúng có thể dễ dàng được đặt trên silicon mà không làm hỏng mạch bên dưới. Điều này cũng làm cho cách tiếp cận của các nhà nghiên cứu tương thích với công nghệ sản xuất chip hiện tại, họ nói.
Việc xếp chồng nhiều lớp lên nhau có thể có khả năng dẫn đến quá nhiệt, Mitra nói, bởi vì các lớp trên cùng sẽ cách xa các khe tản nhiệt ở đế chip. Nhưng, ông nói thêm, vấn đề đó tương đối đơn giản đối với kỹ sư xung quanh và hiệu quả năng lượng tăng lên của công nghệ mới có nghĩa là ít nhiệt được tạo ra ngay từ đầu.
Để chứng minh lợi ích của thiết kế của mình, nhóm nghiên cứu đã chế tạo một máy dò khí nguyên mẫu bằng cách thêm một lớp cảm biến dựa trên ống nano carbon khác trên đỉnh chip. Việc tích hợp dọc có nghĩa là mỗi cảm biến này được kết nối trực tiếp với một tế bào RRAM, làm tăng đáng kể tốc độ xử lý dữ liệu.
Dữ liệu này sau đó được chuyển sang lớp logic, đang thực hiện thuật toán học máy cho phép nó phân biệt giữa các hơi của nước chanh, vodka và bia.
Tuy nhiên, đây chỉ là một minh chứng, và chip rất linh hoạt và đặc biệt phù hợp với kiểu tiếp cận mạng thần kinh sâu, nặng dữ liệu làm nền tảng cho công nghệ trí tuệ nhân tạo hiện nay.
Jan Rabaey, giáo sư kỹ thuật điện và khoa học máy tính tại Đại học California ở Berkeley, người không tham gia nghiên cứu, cho biết ông đồng ý.
"Các cấu trúc này có thể đặc biệt phù hợp với các mô hình tính toán dựa trên học tập thay thế như hệ thống lấy cảm hứng từ não và mạng lưới thần kinh sâu sắc, và cách tiếp cận được các tác giả trình bày chắc chắn là bước đầu tiên tuyệt vời theo hướng đó", ông nói với MIT News.
