Emerging 2D Materials for Beyond von Neumann Computing: A Perspective

这一观点认为，要克服冯·诺依曼瓶颈，未来十年的二维材料研究必须从孤立的创纪录器件转向在单一半导体晶圆上实现石墨烯晶体管、忆阻器和光子结构的集成共存，以支持存内计算和光计算。

要点

以下是用通俗语言和创意类比对该论文的解读。

核心难题：交通拥堵

想象一下，有一家超高速工厂（计算机处理器）负责制造物品，还有一个巨大的仓库（存储器）负责存放原材料。在我们目前的计算机中，工厂和仓库位于不同的建筑里。每当工厂需要零件时，就必须有一辆卡车在两者之间来回奔波。

几十年来，我们不断让工厂变得更快，让卡车变得更小。但现在，工厂的速度太快了，卡车已经跟不上节奏。工厂只能闲置等待卡车到达。这就是所谓的“冯·诺依曼瓶颈”。该论文认为，我们不能仅仅建造更快的卡车；我们需要重新设计整个工厂，让工人能够直接在材料存放的地方进行制造。

解决方案：“瑞士军刀”式材料

作者建议使用二维材料（像石墨烯那样的超薄原子片）来解决这个问题。不要将这些材料视为单一工具，而要将其视为一把瑞士军刀，它能在同一块微小的硅片上同时完成三项截然不同的工作：

1. 逻辑开关（工厂工人）：

   • 问题： 纯石墨烯就像一条没有出口的高速公路；电流流经它过于顺畅，无法作为数字逻辑所需的开/关开关。
   • 对策： 论文建议将石墨烯切割成非常窄的条带，称为纳米带。想象一下将宽阔的高速公路切割成狭窄的小巷。这迫使电流表现得像一个开关（开/关），使我们能够制造出比当今任何硅基晶体管更小、更快的晶体管。

2. 存储器/脑细胞（智能仓库）：

   • 问题： 当前的存储器要么“开”要么“关”（像电灯开关），但我们的脑部和先进的人工智能需要以灰度（像调光开关）来记忆事物。
   • 对策： 通过将二维材料与特殊氧化物堆叠，我们可以制造忆阻器。这些就像“智能便利贴”，能够保持特定的电阻水平。它们可以同时存储数据并进行数学运算。论文声称，这些忆阻器可以被调节以存储许多不同级别的信息，这对于训练人工智能至关重要。

3. 光束（信使）：

   • 问题： 用电流传输数据会产生热量并受到速度限制。
   • 对策： 二维材料也可以充当光发射器。想象一层石墨烯，当你施加微小电压时，它会发出特定颜色的红外光。这使得计算机能够使用光束而非电线来传输信息，从而更快且更凉爽。

“宏大挑战”：拼好拼图

该论文提出了一个非常具体的主张：我们已经有拼图块，但尚未拼好拼图。

• 过去十年： 科学家们花了十年时间证明这些二维材料可以单独工作。他们已经展示了石墨烯晶体管有效、二维存储单元有效、以及二维光发射器有效。
• 未来十年： 作者认为，获胜者不会是制造出最好单一部件的人。获胜者将是第一个团队，能够将这三块部件粘合在同一块芯片（单晶圆）上而不破坏它们。

这就像制造一辆汽车。我们拥有出色的引擎、出色的轮胎和出色的方向盘。但我们尚未成功制造出一辆所有三个部件都在同一条生产线上制造和组装的汽车。该论文指出，下一个重大突破是集成——确保这三种不同的技术能够共存于同一块微小的芯片上。

为何这很重要

如果我们成功，我们将获得一台计算机，它能够：

• 不浪费能量来回移动数据。
• 像人脑一样处理信息（使用事件和脉冲，而不是僵硬的时钟）。
• 使用光进行内部通信，使其速度极快。

该论文最后列出了一条路线图：技术已经就绪。未来五年的重点是解决工程拼图，将这三种“瑞士军刀”功能集成到单一芯片上，以创造下一代超级计算机。

技术摘要

技术摘要：用于超越冯·诺依曼计算的新兴二维材料

问题陈述
该论文指出了现代计算中的一个结构性瓶颈：内存与逻辑之间的冯·诺依曼分割。尽管邓纳德缩放（Dennard scaling）历史上提高了计算密度，但内存带宽与算术吞吐量之间日益扩大的差距已使数据移动成为主要的能耗来源，而模型规模的增大加剧了这一趋势。传统的体硅无法原生提供三种新兴架构响应所需的特定器件特性：存内/阻性计算、神经形态/事件驱动处理以及集成光子学。具体而言，目前缺乏亚 10 纳米节距下可调节的高迁移率通道、非易失性模拟可编程电导，以及具有可重构光谱响应的片上光学元件。

方法论与范围
本观点综述了二维（2D）材料社区内三个特定方向的融合，论证二维材料提供了一个统一的基底，以满足上述架构需求。分析依赖于：

1. 器件建模与表征：利用原子级非平衡格林函数（NEGF）对石墨烯纳米带（GNRs）进行建模，并对氧化物忆阻器进行多物理场模拟，以理解输运极限、开关动力学及变异性。
2. 比较分析：在能耗、密度、耐久性、模拟精度和光子能力等方面，将基于二维材料的基元与成熟的超越 CMOS 选项（相变存储器、铁电场效应晶体管、STT-MRAM）进行基准测试。
3. 系统级集成论证：提出一种“协同设计”方法，其中算法训练过程明确为模拟非理想性（如电导漂移、噪声）预留预算，且评估单位从孤立的器件指标转变为完整的“器件 + 映射 + 训练”堆栈。

主要贡献与技术发现

• 二维通道（石墨烯与 GNRs）：虽然 pristine 石墨烯是半金属，不适合数字逻辑，但将其图案化为纳米带（GNRs）可开启宽度依赖的带隙。NEGF 建模表明，宽度为 1–3 纳米的 GNRs 可实现与 InGaAs 相当的带隙，同时保留迁移率优势。然而，其性能受限于线边缘粗糙度（约 0.5 纳米均方根粗糙度会显著降低导通电流）及介质集成。通过原子层沉积沉积的高介电常数介质（HfO2、Al2O3）对于保持输运性能并实现亚 1 纳米等效氧化层厚度至关重要。除逻辑应用外，缩放的 GNR 场效应晶体管（FETs）被确认为用于密集温度监测的可行片上温度计。
• 阻性开关与忆阻器：论文指出，硬件机器学习的挑战已不再是阻性开关的存在，而是电导轨迹的精度与保持能力。二维材料在此扮演双重角色：作为超薄隧穿势垒（如六方氮化硼、过渡金属硫族化合物 TMDs）以抑制电流蠕变并改善线性度；作为电极（石墨烯）以限制细丝并降低寄生电容。作者强调，变异性必须被视为首要的设计参数，倡导报告完整的电导分布和误码率轨迹，而不仅仅是中值性能指标。
• 神经形态电路：论文强调了将标准 CMOS 与超越 CMOS 基元混合的潜力。具体而言，在积分 - 发放（IF）神经元中，用侧接触场效应二极管（S-FEDs）替换比较器级，可在保持与数字设计流程兼容性的同时，降低每次脉冲的能量和硅面积。
• 光子与热基元：多层石墨烯堆叠被展示为电可调的中红外发射器。通过使用非周期性堆叠序列（如康托尔序列或斐波那契序列），这些结构可产生可切换的窄带热辐射。这种能力支持光学神经网络的激活函数和片上热信号传输，提供了全电子平台所缺乏的原生光 - 电接口。
• 比较格局：一张比较表（表 1）将二维材料定位为并非在任何单一指标上均为最优选项（例如，PCM 或 FeFETs 可能在耐久性或密度方面单独表现更佳），而是唯一能够涵盖完整计算基元集合（包括原生光子模式）的家族。其战略优势在于集成成本以及在单片晶圆上共制造异构组件的能力。

结果与拟议演示器
该论文未呈现新的实验数据，而是综合现有进展，提出了一个具体的近期演示器。该假设芯片将在单个 CMOS 兼容基底上集成四个不同的模块：

1. 数字控制：用于高迁移率逻辑和片上测温的缩放 GNR FETs。
2. 计算核心：用于存内矩阵 - 向量乘法的二维稳定忆阻交叉阵列。
3. 脉冲前端：基于 S-FED 的神经元，用于事件驱动预处理。
4. 光子读出：用于可调谐中红外芯片间互连的非周期性多层石墨烯发射器。

论文指出，虽然每个模块已分别得到验证，但尚无团队在可接受的良率和热预算下将它们集成在单片晶圆上。

意义与主张
该观点的核心论点是，二维材料社区在过去十年中致力于制造破纪录的单个器件。未来十年的进展将取决于将这些三个截然不同的方向（晶体管、忆阻器和光子学）集成到单个半导体晶圆上的能力。

论文声称，“限制步骤”已不再是材料生长或器件物理，而是集成的工程挑战。它提出，基于二维材料的异构芯片，尽管在单个单元指标上可能不如专门的非二维技术，但由于更低的集成成本和卓越的协同设计能力，其性能将优于那些将不同技术（PCM、FeFET、硅光子学）从独立工艺流中拼凑起来的系统。

作者最后概述了为期五年（2026–2031）的路线图，其中包含通道缩放、突触稳定性和光子集成的具体、可衡量的里程碑，呼吁该领域将重点从孤立的器件优化转向系统级融合。