دستاورد جدید در ساخت مواد نیمه‌رسانا می‌تواند مصرف انرژی تراشه‌های هوش مصنوعی را کاهش دهد
پژوهشگران دانشگاه براون روش جدیدی برای ساخت لایه‌های فوق‌نازک فریت بیسموت ارائه کرده‌اند که خواص الکتریکی و مغناطیسی خود را در ابعاد بسیار کوچک حفظ می‌کند. این روش مشکل «لایه مرده» را هدف قرار داده و می‌تواند در آینده به توسعه حافظه‌ها و تراشه‌های کم‌مصرف‌تر برای کاربردهای هوش مصنوعی کمک کند.
بررسی عمیق‌تر به کمک هوش مصنوعی
از مدل‌های هوش مصنوعی برای مطالعه این محتوا کمک بگیرید.
تکنولوژی
- 01 رشد سود TSMC در پی افزایش تقاضای تراشه‌های هوش مصنوعی
- 02 همکاری ۲ میلیارد دلاری برای توسعه بسته‌بندی پیشرفته تراشه‌ها در آمریکا
- 03 افزایش تقاضای سرورهای هوش مصنوعی، زنجیره تأمین PCB را تحت فشار قرار داده است
- 04 رونمایی از میکروکنترلرهای ۲۲ نانومتری با حافظه MRAM برای تجهیزات صنعتی
- 05 دستاورد جدید در ساخت مواد نیمه‌رسانا می‌تواند مصرف انرژی تراشه‌های هوش مصنوعی را کاهش دهد
پژوهشگران دانشگاه براون آمریکا روش جدیدی برای ساخت لایه‌های بسیار نازک از مواد چندفروالکتریک (Multiferroic) توسعه داده‌اند که می‌تواند مسیر تازه‌ای برای ساخت تراشه‌های کم‌مصرف‌تر و حافظه‌های الکترونیکی پیشرفته فراهم کند. این پژوهش در تاریخ ۲۸ اکتبر ۲۰۲۶ منتشر شده است.
مواد چندفروالکتریک خواص الکتریکی و مغناطیسی را به‌صورت هم‌زمان در خود دارند. این ویژگی امکان کنترل وضعیت الکتریکی ماده با ولتاژ کم و استفاده از وضعیت‌های آن برای ذخیره یا پردازش اطلاعات را فراهم می‌کند. چنین قابلیتی می‌تواند در آینده به کاهش انرژی مصرفی حافظه‌ها و مدارهای منطقی کمک کند.
یکی از موانع اصلی استفاده از این مواد در تراشه‌ها، پدیده‌ای به نام «لایه مرده» (Dead Layer) است؛ یعنی هنگامی که ماده بیش از حد نازک می‌شود، خواص الکتریکی و مغناطیسی موردنیاز خود را از دست می‌دهد.
تیم تحقیقاتی با استفاده از لایه نازک فریت بیسموت (Bismuth Ferrite)، یک زیرلایه بلوری ویژه و یک لایه فلزی برای کنترل میدان‌های الکتریکی ناخواسته، توانسته است این مشکل را برطرف کند. پژوهشگران همچنین مشاهده کرده‌اند که ساختار ایجادشده می‌تواند خواص مغناطیسی متفاوتی موسوم به آلترومغناطیس (Altermagnetism) ایجاد کند.
این دستاورد هنوز به معنای تولید تجاری تراشه‌های کم‌مصرف جدید نیست؛ بلکه یک پیشرفت در علم مواد و ساخت لایه‌های نازک است که می‌تواند زمینه را برای توسعه نسل‌های آینده حافظه و مدارهای منطقی فراهم کند.
منبع خبر: Brown University ، اکتبر ۲۰۲۶
نوشته‌های مرتبط
پشتیبانی KiCad 10 از واردکردن پروژه‌های نرم‌افزارهای دیگر
KiCad 10 قابلیت واردکردن پروژه‌های طراحی PCB از Allegro، PADS و gEDA را گسترش داده است. این ویژگی امکان انتقال و بازطراحی پروژه‌های موجود را ساده‌تر می‌کند و انعطاف‌پذیری بیشتری در انتخاب نرم‌افزار طراحی فراهم می‌آورد؛ هرچند کنترل صحت اطلاعات و قوانین طراحی پس از انتقال ضروری است.
هوش مصنوعی وارد طراحی PCB شده است
Cadence با معرفی AuraStack، هوش مصنوعی عامل‌محور را به فرایند طراحی PCB و بسته‌بندی پیشرفته تراشه‌ها وارد کرده است. این پلتفرم با خودکارسازی بخشی از جانمایی، مسیریابی و تحلیل‌های چندفیزیکی، به دنبال کاهش زمان طراحی، افزایش بهره‌وری مهندسان و شناسایی زودهنگام مشکلات فنی است.
رونمایی از میکروکنترلرهای ۲۲ نانومتری با حافظه MRAM برای تجهیزات صنعتی
شرکت Renesas از میکروکنترلرهای RX74M و RX74N با فناوری ساخت ۲۲ نانومتری، حافظه داخلی MRAM و فرکانس کاری حداکثر ۶۰۰ مگاهرتز رونمایی کرد. این محصولات با هدف استفاده در اتوماسیون صنعتی، کنترل تجهیزات و سامانه‌های متصل توسعه یافته‌اند و قابلیت‌های پردازشی، ارتباطی و امنیتی را در یک تراشه ترکیب می‌کنند.
دیدگاه‌ها
هنوز دیدگاهی تأیید نشده است.
برای ثبت دیدگاه وارد شوید.