人工智能與大數據時代，傳統計算機硬件正面臨一個日益嚴峻的瓶頸——「馮·諾依曼瓶頸」，即內存與處理器之間數據傳輸緩慢且耗能極高。終端設備在處理AI指令時，需不斷來回搬運海量數據，不僅造成嚴重延遲，更急速消耗電池電量。針對這一挑戰，香港大學（港大）研究團隊成功發明瞭一種採用極簡架構的新型晶片，能夠直接在數據存儲的位置進行複雜搜索。
這項突破由港大工程學院電機與計算機工程系與先進半導體與集成電路中心李燦教授領導的研究團隊實現。團隊利用二維二硫化鉬（MoS2）閃存，成功開發出一種新型模擬內容尋址存儲器（CAM）。傳統基於靜態隨機存取存儲器（SRAM）的數字CAM，每個單元需要多達16個晶體管，導致晶片體積龐大、功耗極高，且僅能處理基本的數字信號。相比之下，港大團隊實現了架構上的巨大跨越：利用比髮絲還細數萬倍的二維材料MoS2，他們的模擬CAM僅需2個晶體管即可構建一個單元，不僅顯著微縮了晶片面積，更使其能夠直接處理更接近真實世界的連續模擬信號，極大提升了信息存儲密度。
模擬內容尋址存儲器（CAM）測試硬件、晶圓陣列微縮圖及電路設計原理圖
為實現這一突破，團隊必須克服將二維材料連接到電路時限制電子流動的「肖特基勢壘」。港大團隊使用半金屬銻（Sb）作為接觸電極，成功拆解了這道屏障，創造出一條暢通無阻、極低電阻的通道。由此產生的器件不僅速度極快，而且效率驚人。其製造出的模擬CAM陣列，展示了超過60 μA/μm的高讀出電流和超過10⁹的開關比。單次搜索能耗創下了低於0.1飛焦耳（fJ）的紀錄，延遲僅為36皮秒。作為對比，光在真空中一皮秒僅能走0.3毫米；這意味著搜索完成時，光甚至還沒來得及跨越晶片本身。
這項突破是團隊通力合作的成果，其中論文共同第一作者高國雲博士主導器件及陣列的製造，聞博先生則負責陣列測量，成功把器件與其搜尋應用連繫起來。
團隊進一步展示了該技術的進階潛力。透過三維異質整合，他們在單個CAM單元內垂直堆疊了N型二硫化鉬與P型二硫化鎢（WSe2），這種架構不僅使所需面積減半，還省去了外圍反相器電路，進一步降低了功耗。當執行用於機器學習分類的模擬漢明距離計算任務時，新型模擬CAM的處理速度比標準CPU快了約一億倍，並在多個數據集測試中獲得了極高的準確率。
李燦教授解釋道：「從應用層面來看，搜索操作具有極大價值，作為大語言模型（LLMs）基礎的『注意力機制』，本質上就是一個搜索過程——從壓縮的知識庫中提取資訊。我們正在探索如何利用這種高性能硬件，來實現大型AI模型的搜索機制。」李教授補充説：「例如智能手機的面部識別技術，可以直接在裝置上瞬間完成，而無需將私隱數據上傳至雲端。儘管大規模商業化仍需克服封裝方面的工程挑戰，但這項研究已成功驗證了該原理，為下一代高效能、低功耗AI硬件提供了清晰的發展藍圖。」
這項最新發現已在國際頂級學術期刊《自然─納米技術》（Nature Nanotechnology）上發表，論文題為「Sb-contacted MoS2 flash memory for analogue in-memory searches」。
