آسان نیوز سایت خبری تحلیلی آسان نیوز
فشار فزاینده بر سختافزارهای سیلیکونی
افزایش نیازهای پردازشی هوشمصنوعی (AI) به سرعت از توان ترانزیستورهای سیلیکونی فراتر رفته است. قوانین مور و دنارد دیگر امکان مقیاسپذیری و کارایی مورد انتظار را فراهم نمیکنند. این محدودیتها نهتنها سرعت آموزش و استنتاج مدلها را کند ساخته، بلکه مصرف برق سرسامآور مراکز داده را به چالشی زیستمحیطی تبدیل کرده است.
ورود نانو به معماریهای In-Memory Computing
در معماری پردازش در محل حافظه، دادهها مستقیماً در سلولهای ذخیرهسازی پردازش میشوند.
• نانومواد دوبعدی مانند پروسکایتهای هالیدی قابلیت تنظیم رسانایی مشابه سیناپسهای زیستی دارند.
• پایداری و سرعت بالاتر نسبت به مواد سهبعدی سنتی.
• کاهش ترافیک بین حافظه و پردازنده تا ۱۰ برابر.
نورومورفیک: تقلید مغز با نانومواد
محاسبات نورومورفیک از ترکیب حسگر و پردازشگر در یک ساختار واحد بهره میبرد:
1. نقاط کوانتومی ZnO در شبیهسازی «فراموشی» اطلاعات نقش دارند.
2. ترانزیستورهای نانولولهکربنی-مولیبدندیسولفید سیگنالهای ضربانی نورونی را بازتولید میکنند.
3. کاهش مصرف تا ۱۰۰۰ برابر در مقایسه با تراشههای دیجیتال مرسوم.
جدول مقایسه مصرف انرژی
ذخیرهسازی چگال با ممریستورهای نانویی
ممریستورهای ساختهشده از اکسید تیتانیوم، گرافن و MgO:
• ظرفیت ذخیرهسازی تا ۱۰ تریلیون بیت در هر اینچ مربع
• تراکم اطلاعاتی ۵۰ برابر حداکثر فلش مموریها
• مصرف انرژی کمتر و سرعت دسترسی بالاتر
اسپینترونیک فوقسریع و کممصرف
سامانههای Ultrafast Spintronics با پالس پیکوثانیهای به:
• سوئیچ مغناطیسی در ابعاد ۱۰۰×۱۰۰ نانومتر
• انرژی تنها ۹ فمتوژول برای هر عمل سوییچ
• پتانسیل کاهش مصرف حافظه تا ۹۰ درصد
مدیریت حرارت به کمک نانوساختارها
با مهندسی سطوح نانو:
• لایهگذاری گرادیانی در ناهمسطوح ناهمجنس
• انتقال حرارت تا ۲۷۶۰ وات بر ۱۶ سانتیمتر مربع
• کاهش مصرف برق سیستمهای خنککننده ریزکانالی تا ۶۵ درصد
چالشها و چشمانداز آینده
یکپارچهسازی اجزای نانومقیاس با الکترونیک سنتی نیازمند نوآوری در:
• فرآیندهای ساخت و بستهبندی
• استانداردسازی و انطباق فنی
• ارتقای دوام و پایداری در کاربردهای گسترده
آینده هوشمصنوعی به توانایی ما در بکارگیری نانوفناوری برای ساخت سامانههایی هوشمند، سریع و کممصرف وابسته است.
