科學家製備二維半導體內存處理器，可用於AI大模型和信號處理

在應用前景上：

其一，可用於機器學習和人工智慧加速器：內存處理器的存算一體架構在執行向量矩陣乘法等關鍵運算方面表現卓越，因此可用於加速機器學習和人工智慧應用，包括深度學習算法的訓練和推斷。

其二，可用於數據處理和分析：由於內存處理器能夠在本地進行數據處理，尤其是處理結構化和有價值的數據，因此在大規模數據處理和分析中具有潛在應用，比如用於大數據處理、數據挖掘和實時分析等場景。

其三，可用於線性方程和微分方程求解：內存處理器在求解線性方程和微分方程方面顯示出前景，這對於科學計算和工程領域中的模擬和建模任務具有重要意義。

其四，可用於信號處理和圖像處理：存算一體的內存處理器可用於高效執行信號處理和圖像處理任務，例如實時音頻處理、圖像識別和增強現實。

其五，可用於打造新型半導體材料：二硫化鉬的應用在內存處理器的材料選擇中發揮關鍵作用，其穩定的單層結構和原子級薄度為小型化和高度集成提供了潛在的應用潛力，有望推動半導體產業朝著更先進、高性能的方向發展。

其六，可用於高度並行的離散信號處理：內存處理器展示了在高度並行的方式之下，使用不同核心執行離散信號處理的能力，這對於實時處理複雜信號和事件的系統具有吸引力，例如通信系統和傳感器網絡。

總的來說，在這些領域的應用將有望提高計算效率、降低能耗，並為新一代計算系統的發展開闢新的道路。

不過，還需要克服製造和系統集成上的挑戰，以確保這些技術在大規模和商業化的環境下穩定運行。

（來源：Nature Electronics）

從馮·諾依曼結構說起

當前，隨著半導體信息技術的飛速發展，新興的機器學習和物聯網等人工智慧產業對現代計算機算力提出了更高的需求。

目前全球每天都有數十億個互聯設備傳感器在不停運轉，從而將物理信息轉換為數字信息。目前大範圍應用的傳統數字計算系統仍然依賴於馮·諾依曼（Von Neuman）結構，即使用獨立且分離的計算和存儲單元，這就意味著處理器需要從內存中檢索數據來執行計算。

這其中涉及的電荷移動、電容器充放電、以及電流傳輸等多個過程，導致處理器的大部分能量並沒有被用於計算，而是消耗在內存和處理器之間的位元組傳輸上，從而影響了設備的自主性和數據傳輸帶寬，極大地限制了能源使用效率。也就是說，馮·諾依曼結構面臨著能效瓶頸。

因此，開發新一代高能效計算存儲架構已成為人們迫切需要解決的問題，只有這樣才能降低計算能耗成本，保證人工智慧技術的可持續性發展。

為了克服馮·諾依曼結構的技術瓶頸，人們研發出存算一體的新型架構。這種內存計算架構可以將數據處理和存儲集成到單個「內存處理器」中。該架構在執行向量矩陣乘法等關鍵運算時表現得十分出色，是實現機器學習算法最密集計算的理想選擇。

通過利用存儲器的物理層執行乘法和累加運算，上述架構成功克服了馮·諾依曼結構的瓶頸，並在線性方程求解、微分方程、信號處理、圖像處理、以及人工神經網絡加速器等應用中展示了潛在前景。

近些年來，儘管學界已經在內存計算方面取得顯著進展，諸如電阻式隨機存取存儲器和鐵電存儲器，但是為了保障新型計算存儲架構能夠穩定且高效地發揮其邏輯運算和數據存儲能力，實現高性能新型半導體材料的大規模、量產化製備，成為人們首要面對的最基本也是最核心的挑戰。

在上述情況之下，二維材料存算一體處理器橫空出世。與當今計算機處理器中廣泛使用的半導體矽不同的是，半導體材料二硫化鉬能夠形成穩定的單層，只有三個原子厚（約 0.7nm），通常情況下幾乎不受周圍環境的影響。

其原子級別的薄度，為器件朝著小型化、高度集成化的方向發展提供極大的應用潛力。

更重要的是，二硫化鉬具有優良的電學性能，表現出較高的遷移率和電流開關比，它不僅可以超越互補金屬氧化物半導體（CMOS，Complementary Metal Oxide Semiconductor）器件，也在內存計算領域表現出了極大的應用前景，並能有效地提升能量使用效率。

以上便是本次研究的大背景。那麼，王震宇是如何接觸到這一領域的？這得從他的本科生涯說起。

（來源：Nature Electronics）

為二維材料的大規模生產和應用打開大門

據介紹，王震宇本科就讀於清華大學材料學院。2018 年暑假，他前往瑞士洛桑聯邦理工學院微納結構與電子實驗室進行暑期科研進修，藉此機會與他目前的博士導師安德拉斯·基斯（Andras Kis）教授建立了聯繫。

「由於學業和科研成績突出，我在本科畢業後獲得免讀碩士的資格，直接來到瑞士洛桑聯邦理工學院攻讀博士學位，目前完成了博士第四年的學習，即將在明年初畢業。」他說。

博士期間，王震宇主要從事二維半導體材料和二維超導體材料的大規模製備以及電學性能研究工作，並嘗試將其用於存算一體的新型存儲架構中。

此前，他曾以第一作者或共同作者身份在 Nature、Nature Electronics、Advanced Materials、ACS Nano等期刊發表論文 10 余篇，並於 2023 年獲得「國家優秀自費留學生獎學金」。而能取得上述成績，也和王震宇博士導師 Andras Kis 的指導密不可分。

圖丨王震宇（來源：王震宇）

Andras Kis 在半導體材料領域有著多年經驗，2010 年 Andras Kis 帶領課題組使用剝離法，從晶體上獲取單層二硫化鉬，藉此製成第一個電晶體。

如今，他又帶領王震宇等學生採用金屬-有機化學氣相沉積的方法，合成晶圓級的單層二硫化鉬並實現內存處理器的應用，一路走來他們花費了整整 13 年。

事實上早在 2019 年，Andras Kis 就開始布局晶圓級二硫化鉬的內存應用，自那時起該團隊一直在探索使用半導體材料二硫化鉬來實現這一目標的方法。

起初，他們利用金屬-有機化學氣相沉積法合成的單晶二硫化鉬作為溝道材料，將其用在邏輯內存晶片中，相關論文發表在 Nature[1]。

但由於二硫化鉬單晶的尺寸限制，他們開始嘗試改進材料合成工藝，以期製備更大規模的高質量單層二硫化鉬半導體材料。

當王震宇在加入該課題組之後，他一直嘗試利用金屬有機化學氣相沉積法合成晶圓級二硫化鉬。相較於其他合成方法，金屬-有機化學氣相沉積法可以實現對二硫化鉬薄膜生長過程的高度控制，從而實現對二硫化鉬結構和性質的精確控制。

同時，金屬-有機化學氣相沉積法可以在較大的基底上實現均勻的二硫化鉬生長，產生具有一致性和均勻性的薄膜，因此在實際應用中更容易實現規模化生產，有助於將二硫化鉬應用於集成電路之中。

經過大量工藝優化之後，王震宇等人在材料製備上取得了突破，能夠生產出均勻覆蓋在晶圓上的二硫化鉬單層材料，這使得他們可以採用行業化的標準工具設計集成電路，並將這些設計轉化為實際應用的物理電路，為二維材料的大規模生產和應用打開了大門。

後來，王震宇的同事吉列爾梅·米利亞托·馬雷加（Guilherme Migliato Marega）開始著手集成電路的設計與加工。

從原先的單晶級二硫化鉬到之後的晶圓級二硫化鉬，材料量級的改變帶來了設計思路與加工方式的升級。

後來，王震宇和吉列爾梅一起討論解決方案，不斷調整和改進設計與加工流程，最終成功設計並優化了集成電路的布局，將二硫化鉬材料有效地整合到二維內存處理器之中。

日前，相關論文以《基於單層二硫化鎂存儲器的大規模綜合向量矩陣乘法器》（A large-scale integrated vector–matrix multiplication processor based on monolayer molybdenum disulfide memories）為題發在 Nature Electronics[2]。

吉列爾梅·米利亞托·馬雷加（Guilherme Migliato Marega）是第一作者，王震宇是共同作者，安德拉斯·基斯（Andras Kis）教授擔任通訊作者。

圖 | 相關論文（來源：Nature Electronics）

後續，他們將進一步優化集成電路的結構和性能，利用二硫化鉬材料實現更高密度、更高維度的集成應用。

首先，他們計劃通過改進二硫化鉬的生長工藝，實現更大規模的單層二硫化鉬的製備。通過調整生長條件和優化反應過程，希望能生長出更大面積、更均勻的二硫化鉬單層，以滿足高密度集成電路的需求。

其次，他們將專注於二硫化鉬材料在電路中的布局和設計。通過精心設計電路結構，充分發揮二硫化鉬半導體材料的優勢，以期實現更高維度的集成應用。

參考資料：

1.https://mp.weixin.qq.com/s/wURDGwiCNskKfDPHFOPgHg

2.Migliato Marega, G., Ji, H.G., Wang, Z.et al. A large-scale integrated vector–matrix multiplication processor based on monolayer molybdenum disulfide memories. Nat Electron 6, 991–998 (2023). https://doi.org/10.1038/s41928-023-01064-1