Китайские исследователи сообщают о прорыве в области памяти для перспективных систем искусственного интеллекта: новая структура материала способна выдержать около 10 млрд циклов перезаписи, что примерно в 100 раз больше ранее достигавшегося предела. По словам авторов, эта характеристика повышает надёжность и быстродействие будущих накопителей, которые могут понадобиться в серверах и кластерах под задачи ИИ, — если технология сможет выйти на массовое производство.

Ключ к достижению — работа с сегнетоэлектриками и вюрцитной кристаллической структурой, где рассматривают нитрид алюминия со скандием (AlScN) как перспективный путь к совместимости с существующими технологическими процессами. Эти материалы традиционно известны своей низкой энергозатратностью и скоростью переключения, однако тесты на прочность раньше показывали выход из строя около 100 млн циклов. В данном проекте анализировали именно причины такого ограничения и пришли к выводу, что речь идёт не только о дефектах кристаллической решётки, но и о поведении вакансий азота во время переключения.

Обнаруженная причина — дефицит азота в кристалле и последующее перемещение этих вакантных позиций. Со временем дефекты начинают мигрировать и скапливаться в группы, формируя проводящие каналы, по которым идёт утечка тока и снижается надёжность устройства. Учёные отмечают, что ранее наблюдались признаки деградации, но на атомном уровне не объяснялось, что именно перемещается и как это приводит к отказам.

Чтобы избежать такого поведения, исследователи предложили новую структуру материала, которая ограничивает миграцию и агрегацию вакансий азота, препятствуя возникновению каналов проводимости. По их словам, если удастся масштабировать технологию до серийного производства, память на основе AlScN может стать ключевой составляющей серверного оборудования будущего, включая системы искусственного интеллекта.

Авторы подчёркивают, что речь идёт о перспективах при условии успешного дальнейшего технологического развития и масштабирования. Подробности относительно способов внедрения в массовое производство в материалах не приводятся в открытом изложении, однако заявляют о возможном переходе от лабораторных демонстраций к практическим решениям в серверах и ИИ-системах.