用鐵電材料來為AI加速
在迅速發展的科技時代，人工智慧 (AI) 技術已經成為驅動各行各業進步的重要力量，然而，隨著AI應用的擴展和複雜性的增加，在數據傳輸效率和能耗方面的挑戰也同時增長。傳統的馮．諾伊曼 (von Neumann) 架構將計算和存儲分離的設計，數據的頻繁傳輸不僅限制了系統的運行速度，還造成了額外的能量消耗，為了解決這一瓶頸，內存計算 (In-Memory Computing, IMC) 技術應運而生。將計算單元直接集成到記憶體中，顯著提高了系統的效率和能量利用率，而鐵電記憶體是一種能實現IMC的元件，讓我們一起來認識什麼是鐵電記憶體吧！
撰文｜黃鼎鈞
人工智慧發展中內存計算 (IMC) 的重要性
隨著人工智慧 (AI) 技術的快速發展，計算系統對效率和性能的需求日益增加，然而，在傳統的馮．諾伊曼 (von Neumann) 架構中，處理器和記憶體之間的數據傳輸成為系統性能的瓶頸，不只減緩了運算速度，且增加了額外的能量消耗。傳統的中央處理器 (CPU) 在設計上將計算和存儲分離，這就像廚師在做菜時，需要不斷地在冰箱、爐子和工作臺之間來回走動，這種來回走動不僅浪費時間，還消耗大量的體力；同樣地，數據在傳統CPU和記憶體之間的頻繁傳輸也增加了時間延遲和能量消耗，這成為現代計算系統的一大挑戰。內存計算 (In-Memory Computing, IMC) 技術成為了解決這一問題的重要方法。IMC將計算單元直接集成到記憶體中，消除了數據在處理器和記憶體之間來回傳輸的過程，大幅提升了計算效率和能量效率，就像是將所有的食材和工具都集中放在廚師伸手可及的範圍內，使得廚師可以更高效地完成烹飪，大幅提升了出菜的速度，這樣的方法能加速AI處理資訊的速度，更及時地反應使用者的需求。
內存計算的明日之星：鐵電記憶體
鐵電材料中的電偶極矩可以隨著外部電場的作用產生固定方向的排列，也就是一種極化的狀態（見圖2a），且在電場移除後仍然保持其極化狀態，成為了一種具有記憶性的材料，電偶極矩的極化與施加電場的關係有如磁化狀態與外加磁場的關係，因此，這類材料雖然與磁性無關，但仍被命名為「鐵」電材料，同時這狀態也被視為是一種「磁滯」(hysteresis) 的現象（見圖2b），這樣的現象可以被利用在製作非揮發性的記憶體上，不只如此，鐵電材料被認為是一種能實現IMC的明日之星，本文將介紹鐵電材料在記憶體上的其中一種應用—鐵電隧道結 (Ferroelectric Tunnel Junction, FTJ)。
FTJ的結構有如一個三明治，上下兩側是由金屬電極組成，中間的夾層則是鐵電材料（見圖2c）。我們可以利用鐵電材料的極化特性，施加電場來改變鐵電夾層的極化方向，不同的極化方向會造成FTJ不同的電阻狀態，透過區分高電阻或低電阻的狀態就能被定義成記憶單元0和1。
FTJ被應用在電腦計算上有許多的優勢，首先，FTJ擁有非揮發性的特性，即使在電源關閉後，鐵電材料的極化狀態仍能保持不變，大幅增加數據存儲的可靠性；此外，FTJ技術在操作速度上也具有顯著優勢，鐵電材料的極化切換速度極快，使得FTJ能夠支援高速讀寫操作，滿足AI對即時數據處理的需求；在能耗方面，FTJ的低功耗特性有助於降低整體系統的能源消耗，有助於為現代電子設備提高能效；最後，由於FTJ結構簡單，它能實現高密度的數據存儲，非常適合於需要大量數據存儲空間的AI應用，如機器學習和數據分析等領域。
最具代表性的鐵電材料之一：鈦酸鋇 (BaTiO₃)
鈦酸鋇 (BaTiO₃) 是目前備最廣泛研究的鐵電材料之一，主要的原因是因為BaTiO₃具有高介電常數，介電常數指的是材料在電場中儲存電荷的能力，因此相比於其他材料，在同樣的體積底下，BaTiO₃能儲存更多的電荷，這有助於微型化電子元件。另一個原因是BaTiO₃的居里溫度高達120 °C，意思是在120 °C以下BaTiO₃都能呈現穩定的鐵電性質，因此此材料能被廣泛的應用在室溫之中，增加了其商業應用性。BaTiO₃之所以會有鐵電特性，主要來自於它特殊的晶體結構，隨著溫度降低至120 °C時，BaTiO₃會從立方順電相轉變為四方鐵電相，Ti⁴⁺離子相對於O²⁻離子在晶格中的位移，這種位移打破了立方相的中心對稱性，導致四方相中的電偶極矩。（見圖2d）BaTiO₃也正被廣泛的被整合在FTJ上，目前的研究也取得相當優異的記憶體元件表現，但是材料製備的成本和穩定度仍是目前材料科學家還在克服的關卡。
IMC 技術的興起為突破傳統計算架構的瓶頸提供了一條新的途徑，而FTJ因其非揮發性、高速操作以及低功號的優勢，被期待成為實現高效能AI系統的關鍵元件，特別是鈦酸鋇 (BaTiO₃) 這類鐵電材料，憑藉其高介電常數和穩定的鐵電性質，成為組成FTJ的關鍵材料，雖然目前在材料製備成本和穩定性方面仍有挑戰，但隨著研究的深入和技術的進步，FTJ有望在不久的將來成為實現IMC的元件，並能進一步推動AI的發展，開創一個更高效、節能的計算時代。
參考文獻
- Jia, Y., Yang, Q., Fang, Y., Lu, Y., Xie, M., Wei, J., Tian, J., Zhang, L., & Yang, R. (2024). Giant tunnelling electroresistance in atomic-scale ferroelectric tunnel junctions. Nature Communications, 15(1).
- Cohen, R. E. (1992). Origin of ferroelectricity in perovskite oxides. Nature, 358(6382), 136–138.
- Chandra, P., Lonzarich, G. G., Rowley, S. E., & Scott, J. F. (2017). Prospects and applications near ferroelectric quantum phase transitions: a key issues review. Reports on Progress in Physics, 80(11), 112502.