I en artikel i Nature Electronics redogör forskarna för den nya så kallade 1T1R-konfiguationen, där en minnescell är integrerad med en vertikal transistorväljare, allt i nanostorlek. Detta medför förbättringar i skalbarhet, hastighet och energieffektivitet jämfört med dagens masslagringslösningar.
Grundfrågan gäller att saker som kräver hantering av stora datamängder, som AI och maskininlärning, behöver allt större och snabbare kapacitet. För att detta ska lyckas behöver minnet och processorn som gör beräkningarna vara så nära varandra som möjligt. Dessutom behöver beräkningarna kunna utföras energieffektivt, inte minst då dagens teknik alstrar höga temperaturer vid hög belastning.
Flaskhals
Problemet med att processorernas beräkningar sker mycket snabbare än hastigheten på minnet är välkänt sedan många år. På fackspråk kallas det ”von Neumann-flaskhalsen”, och orsakas av att minnes- och beräkningsenheterna är separata och det tar tid att skicka information fram- och tillbaka via en så kallad buss, vilket begränsar hastigheten.
– Processorer har utvecklats kraftig under många år. På minnessidan har lagringskapaciteten ökat stadigt, men det har gått ganska stilla när det gäller funktionen, säger Saketh Ram Mamidala, doktorand vid nanoelektronik vid LTH och en av artikelförfattarna.
"Fungerar förvånansvärt bra"
Traditionellt har begränsningen bestått av att man byggt kretskort där enheterna ligger bredvid varandra på en platt yta. Tanken är nu att bygga vertikalt i en 3d-konfiguration och integrera minne och processor, där beräkningarna sker inne i själva minneskretsen.
– Vår version är en nanotråd med en transistor i botten och ett väldigt litet minneselement som sitter uppe på samma tråd. Det gör det till en kompakt integrerad funktion där transistorn styr minneselementet. Tanken har funnits tidigare, men det har varit svårt att få prestanda. Men vi visar nu att man kan få det och att det fungerar förvånansvärt bra, säger Lars-Erik Wernersson, professor i nanoeletronik.
Minnescellen som forskarna arbetar med är RRAM (Resistive Random Access Memory) och är i sig inget nytt, men det nya är hur man lyckats göra en funktionell integration som skapar stora möjligheter. Det öppnar både för nya forskningsfält och nya förbättrade funktioner inom allt från AI och maskininlärning till på sikt även vanliga datorer. Framtida applikationer skulle exempelvis kunna vara olika former av maskininlärning som radarstyrd gestkontroll, klimatmodelleringar eller utveckling av olika mediciner.
– Minnet fungerar även utan strömförsörjning, framhåller Saketh Ram Mamidala.
Unik materialintegration
Vid LTH är man sedan länge framgångsrika när det gäller att bygga nanotrådar inom den så kallade III-V-teknikplattformen. Materialintegrationen som finns i Lund är unik, och man har haft stor nytta av MAX IV-laboratoriet för att utveckla materialet och kunna förstå de kemiska egenskaperna.
– Det går säkert att hitta lösningar i kisel också, som är det vanligaste materialet, men i vårt fall är det materialvalet som skapar prestandan. Vi vill bana väg för industrin med vår forskning, säger Lars-Erik Wernersson.