研究突破 - 新一代自旋电子器件研究取得关键突破 利用非传统标度律将晶体缺陷从电子运动阻碍转化为性能提升助力 为破解自旋电子器件核心瓶颈提供全新思路[1] - 研究论文在线发表于《自然-材料》期刊 由中国科学院宁波材料技术与工程研究所柔性磁电功能材料与器件团队完成[1] 技术背景 - 传统电子技术逼近性能极限 芯片元器件密度增加导致总功耗和发热量急剧上升 形成由功耗和热量构成的"功耗墙"行业瓶颈[1] - 自旋电子器件具备高速和非易失理论优势 相关技术被视为突破功耗墙的潜力技术 但面临写入电流和写入功耗过高的应用挑战[1] 技术原理 - 自旋电子学同时利用电子电荷属性与固有自旋属性 信息存储需要通过翻转电子自旋实现 传统方法中自旋霍尔角与自旋霍尔电导此消彼长阻碍功耗降低[2] - 研究团队发现电子轨道属性与自旋属性在材料缺陷中表现迥异 在SrRuO3过渡金属氧化物中发现颠覆传统认知的全新物理规律[2] - 晶体缺陷与电子轨道流相互作用时发挥"加油站"作用 缺陷越多电子散射越频繁 最终轨道效应反而增强[3] 性能提升 - 轨道效应增强直接导致器件性能提升和信息写入节能 揭示电子轨道在输运过程中遵循不同于自旋的独特物理规律[3] - 非传统标度律发现为研制高效轨道电子学器件提供新物理基础 同时为自旋电子学领域带来全新设计思路[3]

文章核心观点 - 存算一体（Compute In Memory，CIM）通过将存储和计算融合，旨在解决传统冯·诺依曼架构的"存储墙"和"功耗墙"问题，提升计算效率和能效比 [1][12][21] - 该技术尤其适合AI等高算力需求场景，市场规模预计从2023年到2029年以154.7%的年复合增长率增长，达到306.3亿美元 [30][46][79] 技术背景与问题 - 传统冯·诺依曼架构采用存算分离模式，存储与计算独立导致数据传输瓶颈 [2][10] - AI时代数据量爆炸式增长，暴露"存储墙"（数据传输速度远低于计算速度）和"功耗墙"（数据传输能耗占比高达63.7%）问题 [11][12][17] - HBM技术通过3D封装缩短存算距离，但未根本解决分离问题 [18][20] 技术原理与优势 - 存算一体模仿人脑结构，在存储单元内直接计算，减少数据搬运次数，提升效率并降低功耗 [21][22][48] - 适用于AI矩阵乘法和乘累加运算，能效比显著提升（如PRIME方案功耗降低20倍、速度提升50倍） [28][47][48] 技术分类 - 近存计算（PNM）：通过封装集成存算单元（如HBM），但仍属存算分离，适用于AI、边缘计算等场景 [36][37][39] - 存内处理（PIM）：在存储晶粒中集成算力（如HBM-PIM），适用于语音识别、基因匹配等 [40][42] - 存内计算（CIM）：彻底融合存算单元，消除界限，是狭义存算一体，主要服务AI计算 [43][44][46] 存储介质与实现方式 - 易失性存储器（SRAM、DRAM）和非易失性存储器（Flash、RRAM、MRAM等）均可用于存内计算 [51][53][54] - SRAM适合大算力场景（高能效比），DRAM成本低但延迟大，Flash适合小算力场景 [54] - 新型存储器如RRAM（忆阻器）研究热度高，但面临工艺良率和可靠性挑战 [55][57][58] - 模拟存内计算能效高但误差大，适用于低精度场景（如可穿戴设备）；数字存内计算精度高但功耗大，适用于云端AI [60][61] 应用场景 - AI相关领域：自然语言处理、图神经网络、智能决策等，对算力效率和能耗要求高 [62][65] - AIoT智能物联网：碎片化市场注重成本、功耗和开发难度，存算一体具备优势 [63][64] - 云端AI计算：替代GPU部分场景，存算一体ASIC芯片在能效和固定任务处理上潜力巨大 [65][66][67] - 延伸应用：感存算一体、类脑计算等新兴领域 [68] 发展历程与现状 - 概念最早于1969年提出，但受限于技术未落地 [23][24] - 2010年后关键技术突破（如忆阻器实现布尔逻辑），2016年PRIME方案验证能效提升 [26][27][28] - 2017年多家巨头推出原型系统，引发学术界和产业界热潮 [29] - 2023年清华大学研发出全球首颗全系统集成忆阻器存算一体芯片 [32] - 当前进入高速发展期，传统芯片巨头和创业企业（如苹芯科技、Mythic等）积极布局 [30][31][33] 市场规模与增长 - 预计2029年全球存算一体技术市场规模达到306.3亿美元，年复合增长率154.7% [79] - 技术正从理论研究走向产业落地，未来几年将涌现更多创新和企业 [33][80]