Память, которая считает: новый подход к созданию логических элементов для систем ИИ.
Ученые Санкт-Петербургского государственного университета (СПбГУ) разработали новый подход к созданию логических элементов для современных компьютерных архитектур систем ИИ.
Технология позволит разрабатывать компактные и энергоэффективные микросхемы с энергонезависимым хранением состояний в памяти, работающей на новых физических принципах.
В эпоху, когда обучение нейросетей начинает соперничать по углеродному следу с крупными промышленными кластерами, классическая архитектура фон Неймана всё явственнее упирается в свой физический предел. Процессор и оперативная память разделены, а постоянная переброска массивов данных превращается в главный тормоз развития ИИ.
Именно на этот фундаментальный разрыв обратили внимание исследователи Санкт-Петербургского государственного университета, предложив новый подход к созданию интегральных КМОП-ReRAM-элементов. Это не готовый серийный чип, но важный архитектурный шаг, способный изменить ландшафт отечественной микроэлектроники и дать импульс развитию энергоэффективных вычислений.
Архитектура без «простоя»: логика рядом с памятью
Суть разработки СПбГУ кроется в сближении двух когда-то разнесённых функций – вычисления и хранения. В основе элемента лежит стандартный логический блок, дополненный ячейками резистивной памяти ReRAM, которая наносится на финальном этапе производства чипов методом молекулярного наслаивания. Такая интеграция позволяет за один такт не только выполнить логическую операцию, но и мгновенно зафиксировать её результат. Асинхронная запись обходится без лишних синхроимпульсов, что напрямую снижает энергозатраты и тепловыделение.
Для нейросетей, где каждый вес модели требует многократного чтения и записи, это означает радикальное сокращение фон Неймановского «узкого места». Технология пока существует на уровне схемотехнических решений, однако её заявленная совместимость с массовыми КМОП-процессами открывает реалистичный путь к внедрению без полной перестройки полупроводниковых фабрик.
Энергетический счёт ИИ и глобальная гонка
Петербургская разработка встраивается в мировой вектор. По данным Международного энергетического агентства, уже в 2025 году потребление дата-центров выросло на 17%, а ИИ-ориентированных мощностей – на 50%. К 2030 году мировой спрос на электроэнергию для вычислений может приблизиться к 950 ТВт⋅ч.
В ответ индустрия осваивает архитектуры compute-in-memory и neuromorphic computing. Samsung представила HBM-PIM, Intel выпустила нейроморфный Loihi 2, а IBM продемонстрировала аналоговый чип на фазово-переходной памяти. Все они решают одну задачу: убрать лишние километры медных дорожек, по которым данные бегают между ОЗУ и АЛУ. Российские учёные предлагают технологически адаптированное решение, которое развивает общую парадигму, опираясь на отечественные научные школы и материалы.
Российский вектор: от edge AI до технологического суверенитета
Для отечественной IT-отрасли значение разработки выходит за рамки чистой науки. В условиях ограничений на импорт специализированных ускорителей Россия остро нуждается в собственной элементной базе. КМОП-ReRAM-элементы могут стать фундаментом для чипов, работающих по принципу edge AI – то есть непосредственно на устройстве, а не в облаке. Это критически важно для беспилотных систем, промышленного интернета вещей, медицинской диагностики, робототехники и систем технического зрения, где автономность и низкое энергопотребление важнее пиковой производительности.
В долгосрочной перспективе технология способна создать задел для микросхем, устойчивых к радиации и экстремальным условиям, что напрямую пересекается с интересами оборонного и космического комплексов. Экспортный потенциал будет зависеть от способности довести решение до стабильной платформы: библиотек проектирования, тестовых кристаллов и САПР-инструментов.
Инженерная реальность: почему рано говорить о серийных чипах
Реальные коммерческие перспективы пока скрыты за закрытыми параметрами: ресурс перезаписи ячеек, долговременная стабильность сопротивлений, масштабируемость, процент выхода годных кристаллов и точная совместимость с конкретными техпроцессами. Лабораторный успех – это лишь первый километр марафона. Ближайшие годы покажут, удастся ли командам изготовить опытные партии, провести стресс-тесты и продемонстрировать работу элементов на реальных задачах машинного обучения.
Прогноз: тихая революция элементной базы
Разработка петербургских учёных – не финальный аккорд, а увертюра. Если инженерные испытания подтвердят заявленные характеристики, КМОП-ReRAM-логика может стать одной из основ будущего российского аппаратного ИИ. Мы движемся к эпохе, где «умные» устройства будут обрабатывать данные локально, потребляя в разы меньше энергии и не завися от стабильного облачного соединения.
Путь от научной статьи до микросхемы в промышленном контроллере или носимом датчике займёт годы, но именно такие шаги формируют технологический суверенитет страны. В мире, где вычислительная мощность упирается в физику и экономику энергии, победа останется за теми, кто научит память не просто хранить, а думать.
