Разработана ассоциативная память САМ на основе 2D-материалов

Ультратонкое устройство на основе дисульфида молибдена (MoS₂), представленное в статье в Nature Nanotechnology, показало себя с лучшей стороны, эффективно выполняя алгоритмы машинного обучения непосредственно в компоненте памяти.

«Вдохновением для нашей разработки послужил парадокс в нашей области, — рассказал Phys.orgдоктор Цань Ли, старший автор статьи. — Двумерные материалы известны своей „красивой физикой“ и превосходными теоретическими свойствами, но их часто рассматривают только как технологию будущего — как нечто, что заменит кремний, когда кремний уже нельзя будет уменьшить в размерах. Их уникальные характеристики редко используются в реальных приложениях, но мы хотели это изменить».

«Для эффективной работы CMOS-транзисторов требуется устройство особого типа: с высоким током включения (для скорости) и низким током утечки (для точности и эффективности), — объяснил Ли. — Хотя физические свойства 2D-материалов позволяют это сделать, превращение их в реальные устройства — инженерный кошмар. Обычно при создании устройства производительность падает из-за проблем с сопротивлением и интерфейсом».

Исследователи использовали контакты из полуметалла сурьмы (Sb) и метод низкотемпературной пассивации, что позволило им создать работающий чип, сохраняющий физические свойства MoS₂. В ходе первых испытаний было обнаружено, что созданный исследователями 2D-материал CAM обеспечивает чрезвычайно высокий коэффициент включения/выключения (>1 000 000 000), что, по сути, означает, что он может чётко различать разные состояния данных. Он также обеспечивает высокий ток считывания и низкий уровень утечки энергии, необходимые для надёжного выполнения алгоритмов машинного обучения в памяти.