想象一下，计算机的大脑就像一座繁忙的城市，而数据就是其中的交通流量。几十年来，这座城市一直陷入一种被称为“冯·诺依曼瓶颈”的严重交通拥堵中。在旧的设计中，存储数据的地方（内存）和处理数据的地方（大脑）位于不同的建筑内。为了完成工作，数据必须在两者之间不断往返，就像汽车在交通瘫痪中空转一样，浪费时间和能量。科学家们现在正试图建造一种新型城市，让存储和思考发生在同一个地方，这个概念被称为“存内计算”。
为了让这座新城市运行得既快又凉爽，研究人员正转向利用光而不是电力。光可以在微小的导线中飞速穿梭，几乎没有延迟，而且产生的热量也较少。但要让光承担起“思考”的重任，我们需要特殊的“红绿灯”来改变光的通过量，并且这些灯在处于新位置后，不需要持续消耗能量来保持开启状态。这就是“相变材料”发挥作用的地方。把这些材料想象成一种神奇的玻璃，它可以瞬间在透明（让光通过）和黑暗（阻挡光）之间切换，而且一旦切换，它就会一直保持那种状态，直到你再次命令它改变。大问题在于：我们能否找到一种既能快速切换、耗能极低，又能被调节出数十种不同灰色调（而不只是简单的开/关开关）的材料？
本文介绍了一个可以胜任这项工作的潜在竞争者：一种被称为 Ge4Sb6Te7，或者简称 GST-467 的材料。研究人员并不仅仅是靠猜测；他们首先在实验室中精确测量了这种材料与光的相互作用方式。然后，他们利用强大的计算机模拟，设计了一个使用该材料的硅芯片上的微型开关。他们设计的秘诀在于“分段”。他们没有使用一整条长条形的材料，而是将其切成了 11 个由小间隙分隔的微小交替段。
他们的模拟结果非常令人期待。他们发现，这种分段设计就像一个超高效的调光开关。与标准的、未分段的设计相比，他们的分段开关将一项关键性能指标提升了七倍以上。当处于“关闭”状态时，它几乎可以完全阻挡光（达到 48.36 dB 的对比度），而在“开启”状态时，则几乎允许所有的光通过（具有极低的损耗）。由于该材料可以被调节为许多不同的黑暗程度，团队认为这一个开关就可以代表多达 48 个不同的数值或“状态”，而不仅仅是一个简单的 0 或 1。
为了测试这在人工智能领域是否真的可行，团队模拟了将这些开关作为神经网络（一种类型的计算机大脑）中的“权重”（重要性设置）的使用情况。他们在两个著名的图像识别挑战上进行了测试：识别时尚单品和识别手写字母。使用 GST-467 开关的网络表现优于使用其他已知材料的网络，实现了高准确率。此外，模拟显示，使用激光脉冲将这些材料从透明切换到黑暗（或反之亦然）所需的能量极低——不到一个纳焦耳。这表明，如果建成，这些设备可以非常快速且节能，有助于构建下一代既不会过热也不会耗尽电池的智能计算机。然而，需要注意的是，这些结果目前基于详细的计算机模型和对材料特性的实验室测量，而非尚未完全制造出来并在实际应用中运行的真实芯片。
技术摘要：基于 SOI 平台的分段工程化 Ge4Sb6Te7 开关
问题陈述
深度神经网络（DNN）的快速扩张暴露了传统冯·诺依曼架构在带宽、延迟和能耗方面的严重局限性，这些问题是由“冯·诺依曼瓶颈”（存储器与处理单元之间频繁的数据传输）引起的。虽然存内计算和光子集成电路（PICs）为高速、低能耗推理提供了极具前景的解决方案，但现有的相变材料（PCM）开关仍面临挑战。传统的材料如 Ge2Sb2Te5 (GST-225) 通常存在高插入损耗或光学对比度有限的问题；而低损耗替代品（例如 GSST、GSS）通常缺乏高精度多级开关所需的高消光比。此外，许多现有的 SOI 平台上的 PCM 实现缺乏紧凑的足迹或优化的拓扑结构，无法最大限度地权衡消光比（ER）与插入损耗（IL）。在文献中，关于新发现的 Ge4Sb6Te7 (GST-467) 材料在 SOI 平台上的应用，以及分段开关拓扑结构对该特定组分的潜在益处，存在明确的研究空白。
方法论
作者采用综合性的计算与实验方法，研究了作为高对比度光学 PCM 的 GST-467 在多级光子计算中的应用：
- 材料表征： 使用光谱椭偏仪对 30 nm 厚的 GST-467 薄膜进行实验测量，获取其非晶态和晶态的复折射率（n 和 k）。这些经验光学常数被用作后续所有模拟的输入。
- 器件设计： 在标准 SOI 平台（宽度 500 nm，高度 220 nm）上设计了一个分段光子开关，其具有 30 nm 的 GST-467 顶层包层和 Al2O3 钝化层。与以往未分段的设计不同，该拓扑结构沿波导分布了多个 PCM 段，并由蚀刻间隙隔开。
- 光学模拟： 在 1550 nm（C 波段）下进行了三维有限差分时域（FDTD）模拟（Ansys Lumerical）。通过扫描几何参数（Lseg、Letch 和总长度 LPCM）来优化设计，以最大化定义为 ER 与 IL 之比的品质因数（FOM）。使用有效介质理论（EMT）来模拟用于多级操作的中间结晶状态。
- 多物理场模拟： 使用耦合的热光学框架（整合了热传递和随机结晶动力学）来模拟激光诱导的相变。这确定了使用 660 nm 激光脉冲进行结晶（“Set”）和非晶化（“Reset”）所需的能量。
- 系统级基准测试： 将光学传输特性映射到离散的突触权重。这些权重被集成到一个单隐藏层光子 DNN 模型中，以评估其在 Fashion-MNIST 和 EMNIST 数据集上的分类准确率。研究使用相同的优化器件几何结构，将性能与其它 PCM 组分（GST-225 以及各种 GSST 和 GSS 合金）进行了基准对比。
核心贡献
- GST-467 的实验验证： 本文首次提供了 GST-467 在非晶态和晶态下的复折射率实验测量结果，揭示了其相比于传统 GST-225 具有显著更高的光学对比度。
- 分段拓扑优化： 作者证明了分段开关架构的表现明显优于未分段设计。通过优化段长（Lseg=80 nm）和间隙长度（Letch=50 nm），使总 PCM 长度为 880 nm，该设计实现了 48.36 dB 的消光比，而插入损耗仅为 0.86 dB。
- 多级能力： GST-467 的高对比度结合分段设计，使其能够分辨高达 48 个不同的光学状态（基于保守的 0.5 dB 间隔和 -25 dBm 检测底限），远超在相同平台上测试的其他 PCM 能力。
- 能量效率： 多物理场模拟表明，全光学开关机制在结晶（约 0.5–0.6 nJ）和非晶化过程中均需要亚纳焦耳（sub-nJ）级的能量，且器件足迹约为 0.69 μm2。
- DNN 性能： 研究将材料属性与系统性能联系起来，表明 GST-467 的高可分辨能级直接转化为在 DNN 推理任务中更优的分类准确率。
结果
- 光学性能： 优化的分段 GST-467 开关实现了 55.91 的品质因数（FOM），这比等效的未分段器件（FOM = 7.75）高出七倍以上。该器件在 C 波段（1550 nm）运行最佳，但在 L 波段也能保持稳健性能。
- 多级状态： 在固定几何结构下，GST-467 支持 48 个可分辨的传输能级。相比之下，GST-225 支持 37 个能级，而低损耗的 GSST 和 GSS 变体支持的能级显著减少（范围在 2 到 26 个之间），这是由于其晶态下的消光系数较低所致。
- 热动力学： 模拟确认，分段结构中的热扩散时间比编程脉冲持续时间低几个数量级，从而确保了所有段内结晶的均匀性。该设计最大限度地减少了阵列中相邻开关之间的热串扰。
- 推理准确率： 当作为多级权重部署在光子神经网络中时，GST-467 开关在 Fashion-MNIST 上实现了 87.29% 的测试准确率，在 EMNIST 上实现了 79.90% 的准确率。这些结果是所有测试材料中最高的，这归功于该材料支持更大动态范围权重的能力。
意义与主张
本文将 GST-467 定位为面向可扩展、低能耗光子计算和神经形态硬件极具前景的材料。作者声称，新发现的 GST-467 材料与分段工程化 SOI 拓扑结构的结合，解决了光子神经网络中的关键瓶颈：
- 高对比度与低损耗： 该设计实现了高消光比与低插入损耗的罕见结合，这对于在被动光学网络中级联多层至关重要。
- 可扩展性： 亚微米级的足迹和亚纳焦升级的能量需求，使该器件适用于大规模存内计算阵列的密集集成。
- 精度： 分辨 48 个不同光学状态的能力允许更高的有效权重精度，与现有的 PCM 技术相比，减少了量化误差并提高了推理准确率。
- 非易失性： 该器件提供无需静态功耗的权重非易失性存储，解决了易失性调谐器的能量效率问题。
作者总结道，这项工作为利用 GST-467 的独特光学特性来克服当前相变光子开关限制、实现高性能光子神经推理引擎，迈出了基础性的重要一步。
每周获取最佳 applied physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。