پنج شنبه / ۷ آبان ۱۴۰۵ / ۰۳:۵۵
کد خبر: 42358
گزارشگر: 593
۲۲
۰
۰
۱
پژوهش تازه دانشگاه براون درباره مواد فوق‌نازک

تراشه‌های کم‌مصرف یک قدم نزدیک‌تر؛ عبور از مانع «لایه مرده»

ویفر سیلیکون دوازده اینچی؛ تصویر سال ۲۰۱۹
هر پاسخ هوش مصنوعی فقط روی صفحه ظاهر نمی‌شود؛ پشت آن، سخت‌افزاری کار می‌کند که برق می‌خواهد. پژوهشگران براون اکنون از روشی برای حفظ ویژگی‌های یک ماده فوق‌نازک خبر داده‌اند که شاید راه ساخت قطعات کم‌مصرف‌تر را باز کند؛ هنوز خبری از عرضه یک تراشه تجاری نیست.

به گزارش آسیانیوز ایران، پژوهشگران دانشگاه براون در گزارشی که ۲۸ اکتبر ۲۰۲۶، برابر با ۶ آبان ۱۴۰۵ منتشر شد، از حفظ ویژگی‌های الکتریکی و مغناطیسی یک ماده در ضخامت بسیار کم خبر داده‌اند. مقاله اصلی نیز همان روز در نشریه Nature Materials منتشر شده است. موضوع، ساخت قطعه‌ای آزمایشی از بیسموت فریت است؛ نه رونمایی از پردازنده‌ای آماده فروش.

وقتی کوچک‌تر شدن، ویژگی مفید ماده را از بین می‌برد

بعضی مواد هم‌زمان ویژگی‌های الکتریکی و مغناطیسی دارند و این دو ویژگی بر یکدیگر اثر می‌گذارند. این خانواده را «مولتی‌فروئیک» می‌نامند. پژوهشگران به آن‌ها علاقه دارند چون تغییر حالت الکتریکی با ولتاژی کوچک می‌تواند راهی برای ثبت اطلاعات فراهم کند و پاسخ مغناطیسی نیز امکان خواندن آن اطلاعات را بدهد.

اما ماده‌ای که در یک نمونه بزرگ خوب عمل می‌کند، الزاماً در ابعاد مناسب تراشه همان رفتار را ندارد. نازک‌کردن بیش از حد می‌تواند نظم داخلی و ویژگی‌های مطلوب آن را از بین ببرد. همین مشکل با تعبیر «لایه مرده» شناخته می‌شود؛ مانعی که فاصله میان یک ماده جالب آزمایشگاهی و قطعه قابل استفاده در مدار را بیشتر می‌کند.

پژوهش تازه چه چیزی را نشان داده است؟

گروه لوکاس کارتا، Lucas Caretta، استادیار مهندسی دانشگاه براون روشی برای ساخت لایه بسیار نازک بیسموت فریت بررسی کرده است. در این چیدمان، زیرلایه و لایه فلزی مجاور فقط نگهدارنده نیستند: شرایط مکانیکی و الکتریکی اطراف ماده را تنظیم می‌کنند تا ویژگی‌های مورد نظر باقی بماند.

مقاله علمی از مشاهده نظم قطبی و مغناطیسی در لایه‌ای با ضخامت چهار سلول واحد بلوری گزارش می‌دهد. «سلول واحد» کوچک‌ترین الگوی تکرارشونده ساختار بلور است. این عدد را نباید با تعداد ترانزیستورها یا نسل تجاری یک پردازنده اشتباه گرفت؛ پژوهش درباره ساختار ماده در مقیاس اتمی است.

نویسندگان برای بررسی نتیجه از چند روش اندازه‌گیری و تحلیل، از تصویربرداری در مقیاس اتمی تا آزمون‌های مغناطیسی، استفاده کرده‌اند. آن‌ها همچنین نشانه‌هایی از نوعی نظم مغناطیسی موسوم به «آلترمغناطیس» گزارش می‌کنند. اهمیت این بخش در امکان مهندسی رفتارهای تازه در لایه نازک است، نه اثبات آماده‌بودن رایانه‌ای با آن ماده.

تجهیزات مرکز داده در سال ۲۰۱۵

چرا مصرف برق هوش مصنوعی به این پژوهش ربط دارد؟

مسئله فقط سرعت بیشتر نیست. هرچه خدمات محاسباتی گسترده‌تر می‌شوند، برق مورد نیاز مراکز داده نیز اهمیت بیشتری پیدا می‌کند. آژانس بین‌المللی انرژی در گزارش آوریل ۲۰۲۶ خود برآورد کرده بود مصرف برق مراکز داده از حدود ۴۸۵ تراوات‌ساعت در سال ۲۰۲۵، در پیش‌بینی مرکزی به حدود ۹۵۰ تراوات‌ساعت در سال ۲۰۳۰ برسد.

این اعداد مربوط به کل مراکز داده‌اند، نه فقط هوش مصنوعی؛ رقم سال ۲۰۳۰ نیز پیش‌بینی است، نه مصرف ثبت‌شده. آژانس، محدودیت شبکه برق، تجهیزات و زنجیره تأمین را از عوامل مؤثر بر مسیر آینده می‌داند. بنابراین حتی پیشرفت در یک ماده، تمام مسئله انرژی خدمات دیجیتال را حل نمی‌کند.

از آزمایشگاه تا تراشه واقعی هنوز فاصله هست

حفظ یک ویژگی در ماده، با ساخت محصول قابل اعتماد یکی نیست. نتیجه براون مسیر پژوهش را امیدوارکننده‌تر می‌کند، اما در منابع بررسی‌شده زمان عرضه تجاری، قیمت محصول یا درصد کاهش مصرف برق یک سامانه واقعی اعلام نشده است. از این پژوهش نمی‌توان وعده داد که گوشی بعدی کمتر شارژ می‌خواهد یا هزینه استفاده از هوش مصنوعی به‌زودی کاهش می‌یابد.

برای خواننده ایرانی نیز اهمیت موضوع در همین تفکیک است: خبر پیشرفت مواد می‌تواند درباره آینده سخت‌افزار توضیح بدهد، اما به‌خودی‌خود نشانه دسترسی داخلی، تولید در ایران یا کاهش هزینه خدمات نیست. معیار پیگیری بعدی، آزمودن این مواد در قطعات و مدارهای عملی خواهد بود، نه صرفاً جذابیت یک عنوان علمی.

شما در انتخاب ابزارهای دیجیتال، مصرف برق و دوام باتری را چقدر مهم می‌دانید؟ دیدگاهتان را در کادر نظرات انتهای این گزارش، پایین بخش اخبار مرتبط، بنویسید.

آسیانیوز ایران
https://www.asianewsiran.com/u/jU9
اخبار مرتبط
امیر سالک، مهندس نخبه ایرانی و دانش آموخته دانشگاه صنعتی شریف، به تیم زیرساخت های محاسباتی شرکت آنتروپیک پیوست تا در کنار جیمز بردبری، مدیر بخش محاسبات این شرکت، روی طراحی پردازنده های اختصاصی مدل هوش مصنوعی کلود کار کند. سالک که مدرک کارشناسی خود را از شریف و دکترای مهندسی کامپیوتر را از دانشگاه کالیفرنیای جنوبی دریافت کرده است، سابقه درخشان دو دهه ای در شرکت های انویدیا و گوگل دارد. او در گوگل، برنامه تولید تراشه های تی پی یو را پایه گذاری کرد و هفت نسل از این تراشه های پیشرفته را به مرحله تولید رساند؛ تراشه هایی که ستون فقرات محاسباتی یادگیری ماشینی در خدمات ابری گوگل محسوب می شوند.
افزایش بی‌سابقه تقاضا برای دیتاسنترهای هوش مصنوعی در آمریکا، زنجیره تامین برق این مراکز را با بحران مواجه کرده است. ژنراتورهای گازی سیار که راه‌حل موقت این مشکل محسوب می‌شوند، به دلیل کمبود قطعات کلیدی مانند تیغه‌های توربین، با صف‌های طولانی ۶۰ تا ۹۰ هفته‌ای روبرو هستند. ایلان ماسک برای خروج از این بن‌بست، شرکت اسپیس‌ایکس را به حوزه تولید این قطعات وارد کرده و شرکت «ای‌پی‌آر انرژی» را به قیمت یک میلیارد دلار خریداری کرده است. این حرکت، می‌تواند زمان تحویل ژنراتورها را ۱۸ ماه کاهش دهد و به یک تغییر بزرگ در صنعت انرژی و هوش مصنوعی تبدیل شود.
آسیانیوز ایران هیچگونه مسولیتی در قبال نظرات کاربران ندارد.
تعداد کاراکتر باقیمانده: 1000
نظر خود را وارد کنید