近日，清华本科校友、瑞士洛桑联邦理工学院博士生王震宇和所在团队，利用单层二硫化钼材料实现了数据处理和数据存储的集成，借此打造出第一个基于二维半导体材料的内存处理器。

图 | 王震宇（来源：王震宇）

在这款处理器中，由 1024 个元件组成的一个矩阵，被整合到一个 1 厘米的芯片上。每个元件由单层二硫化钼的浮栅场效应晶体管组成，每个晶体管的电导率都能够实现连续且精确地控制。

通过调制每个晶体管的电导率，可以向处理器施加电压并测量输出信号，从而实现执行模拟矢量矩阵乘法的目标，因此这种存算一体的耦合能力能从根本上改变处理器执行计算的方式。

作为数据处理中的基本运算之一，此功能的实现将在数字信号处理和人工智能模型的发展中发挥极大的潜力，其效率的提高可以为整个信息与通信技术行业带来大量的能源节约。

同时，它为计算存储架构带来了重要的创新，这种基于单层二硫化钼材料的内存处理器也标志着半导体领域的一次重大进展。

这款处理器在高性能、高效能计算方面的优越性能，将为科学、工业和社会带来巨大的变革，对于推动人工智能、物联网等领域的发展具有深远的影响。

“这也是工业生产道路上的一个重要里程碑，极大地拓宽了二维材料的实际应用前景。”王震宇说。

（来源：Nature Electronics）

在应用前景上：

其一，可用于机器学习和人工智能加速器：内存处理器的存算一体架构在执行向量矩阵乘法等关键运算方面表现卓越，因此可用于加速机器学习和人工智能应用，包括深度学习算法的训练和推断。

其二，可用于数据处理和分析：由于内存处理器能够在本地进行数据处理，尤其是处理结构化和有价值的数据，因此在大规模数据处理和分析中具有潜在应用，比如用于大数据处理、数据挖掘和实时分析等场景。

其三，可用于线性方程和微分方程求解：内存处理器在求解线性方程和微分方程方面显示出前景，这对于科学计算和工程领域中的模拟和建模任务具有重要意义。

其四，可用于信号处理和图像处理：存算一体的内存处理器可用于高效执行信号处理和图像处理任务，例如实时音频处理、图像识别和增强现实。

其五，可用于打造新型半导体材料：二硫化钼的应用在内存处理器的材料选择中发挥关键作用，其稳定的单层结构和原子级薄度为小型化和高度集成提供了潜在的应用潜力，有望推动半导体产业朝着更先进、高性能的方向发展。

其六，可用于高度并行的离散信号处理：内存处理器展示了在高度并行的方式之下，使用不同核心执行离散信号处理的能力，这对于实时处理复杂信号和事件的系统具有吸引力，例如通信系统和传感器网络。

总的来说，在这些领域的应用将有望提高计算效率、降低能耗，并为新一代计算系统的发展开辟新的道路。

不过，还需要克服制造和系统集成上的挑战，以确保这些技术在大规模和商业化的环境下稳定运行。

（来源：Nature Electronics）

从冯·诺依曼结构说起

当前，随着半导体信息技术的飞速发展，新兴的机器学习和物联网等人工智能产业对现代计算机算力提出了更高的需求。

目前全球每天都有数十亿个互联设备传感器在不停运转，从而将物理信息转换为数字信息。目前大范围应用的传统数字计算系统仍然依赖于冯·诺依曼（Von Neuman）结构，即使用独立且分离的计算和存储单元，这就意味着处理器需要从内存中检索数据来执行计算。

这其中涉及的电荷移动、电容器充放电、以及电流传输等多个过程，导致处理器的大部分能量并没有被用于计算，而是消耗在内存和处理器之间的字节传输上，从而影响了设备的自主性和数据传输带宽，极大地限制了能源使用效率。也就是说，冯·诺依曼结构面临着能效瓶颈。

因此，开发新一代高能效计算存储架构已成为人们迫切需要解决的问题，只有这样才能降低计算能耗成本，保证人工智能技术的可持续性发展。

为了克服冯·诺依曼结构的技术瓶颈，人们研发出存算一体的新型架构。这种内存计算架构可以将数据处理和存储集成到单个“内存处理器”中。该架构在执行向量矩阵乘法等关键运算时表现得十分出色，是实现机器学习算法最密集计算的理想选择。

通过利用存储器的物理层执行乘法和累加运算，上述架构成功克服了冯·诺依曼结构的瓶颈，并在线性方程求解、微分方程、信号处理、图像处理、以及人工神经网络加速器等应用中展示了潜在前景。

近些年来，尽管学界已经在内存计算方面取得显著进展，诸如电阻式随机存取存储器和铁电存储器，但是为了保障新型计算存储架构能够稳定且高效地发挥其逻辑运算和数据存储能力，实现高性能新型半导体材料的大规模、量产化制备，成为人们首要面对的最基本也是最核心的挑战。

在上述情况之下，二维材料存算一体处理器横空出世。与当今计算机处理器中广泛使用的半导体硅不同的是，半导体材料二硫化钼能够形成稳定的单层，只有三个原子厚（约 0.7nm），通常情况下几乎不受周围环境的影响。

其原子级别的薄度，为器件朝着小型化、高度集成化的方向发展提供极大的应用潜力。

更重要的是，二硫化钼具有优良的电学性能，表现出较高的迁移率和电流开关比，它不仅可以超越互补金属氧化物半导体（CMOS，Complementary Metal Oxide Semiconductor）器件，也在内存计算领域表现出了极大的应用前景，并能有效地提升能量使用效率。

以上便是本次研究的大背景。那么，王震宇是如何接触到这一领域的？这得从他的本科生涯说起。

（来源：Nature Electronics）

为二维材料的大规模生产和应用打开大门

据介绍，王震宇本科就读于清华大学材料学院。2018 年暑假，他前往瑞士洛桑联邦理工学院微纳结构与电子实验室进行暑期科研进修，借此机会与他目前的博士导师安德拉斯·基斯（Andras Kis）教授建立了联系。

“由于学业和科研成绩突出，我在本科毕业后获得免读硕士的资格，直接来到瑞士洛桑联邦理工学院攻读博士学位，目前完成了博士第四年的学习，即将在明年初毕业。”他说。

博士期间，王震宇主要从事二维半导体材料和二维超导体材料的大规模制备以及电学性能研究工作，并尝试将其用于存算一体的新型存储架构中。

此前，他曾以第一作者或共同作者身份在 Nature、Nature Electronics、Advanced Materials、ACS Nano等期刊发表论文 10 余篇，并于 2023 年获得“国家优秀自费留学生奖学金”。而能取得上述成绩，也和王震宇博士导师 Andras Kis 的指导密不可分。

图丨王震宇（来源：王震宇）

Andras Kis 在半导体材料领域有着多年经验，2010 年 Andras Kis 带领课题组使用剥离法，从晶体上获取单层二硫化钼，借此制成第一个晶体管。

如今，他又带领王震宇等学生采用金属-有机化学气相沉积的方法，合成晶圆级的单层二硫化钼并实现内存处理器的应用，一路走来他们花费了整整 13 年。

事实上早在 2019 年，Andras Kis 就开始布局晶圆级二硫化钼的内存应用，自那时起该团队一直在探索使用半导体材料二硫化钼来实现这一目标的方法。

起初，他们利用金属-有机化学气相沉积法合成的单晶二硫化钼作为沟道材料，将其用在逻辑内存芯片中，相关论文发表在 Nature[1]。

但由于二硫化钼单晶的尺寸限制，他们开始尝试改进材料合成工艺，以期制备更大规模的高质量单层二硫化钼半导体材料。

当王震宇在加入该课题组之后，他一直尝试利用金属有机化学气相沉积法合成晶圆级二硫化钼。相较于其他合成方法，金属-有机化学气相沉积法可以实现对二硫化钼薄膜生长过程的高度控制，从而实现对二硫化钼结构和性质的精确控制。

同时，金属-有机化学气相沉积法可以在较大的基底上实现均匀的二硫化钼生长，产生具有一致性和均匀性的薄膜，因此在实际应用中更容易实现规模化生产，有助于将二硫化钼应用于集成电路之中。

经过大量工艺优化之后，王震宇等人在材料制备上取得了突破，能够生产出均匀覆盖在晶圆上的二硫化钼单层材料，这使得他们可以采用行业化的标准工具设计集成电路，并将这些设计转化为实际应用的物理电路，为二维材料的大规模生产和应用打开了大门。

后来，王震宇的同事吉列尔梅·米利亚托·马雷加（Guilherme Migliato Marega）开始着手集成电路的设计与加工。

从原先的单晶级二硫化钼到之后的晶圆级二硫化钼，材料量级的改变带来了设计思路与加工方式的升级。

后来，王震宇和吉列尔梅一起讨论解决方案，不断调整和改进设计与加工流程，最终成功设计并优化了集成电路的布局，将二硫化钼材料有效地整合到二维内存处理器之中。

日前，相关论文以《基于单层二硫化镁存储器的大规模综合向量矩阵乘法器》（A large-scale integrated vector–matrix multiplication processor based on monolayer molybdenum disulfide memories）为题发在 Nature Electronics[2]。

吉列尔梅·米利亚托·马雷加（Guilherme Migliato Marega）是第一作者，王震宇是共同作者，安德拉斯·基斯（Andras Kis）教授担任通讯作者。

图 | 相关论文（来源：Nature Electronics）

后续，他们将进一步优化集成电路的结构和性能，利用二硫化钼材料实现更高密度、更高维度的集成应用。

首先，他们计划通过改进二硫化钼的生长工艺，实现更大规模的单层二硫化钼的制备。通过调整生长条件和优化反应过程，希望能生长出更大面积、更均匀的二硫化钼单层，以满足高密度集成电路的需求。

其次，他们将专注于二硫化钼材料在电路中的布局和设计。通过精心设计电路结构，充分发挥二硫化钼半导体材料的优势，以期实现更高维度的集成应用。

参考资料：

1.https://mp.weixin.qq.com/s/wURDGwiCNskKfDPHFOPgHg

2.Migliato Marega, G., Ji, H.G., Wang, Z.et al. A large-scale integrated vector–matrix multiplication processor based on monolayer molybdenum disulfide memories. Nat Electron 6, 991–998 (2023). https://doi.org/10.1038/s41928-023-01064-1