比 DRAM 快 1000 倍!日本东大研发 40 皮秒超高速内存,破解 AI 能耗难题
* 来源 : * 作者 : admin * 发表时间 : 2026-05-21
在 AI 算力需求爆发的当下,内存的速度与能耗已成为制约产业发展的核心瓶颈。日本东京大学研究团队近期取得重大突破,成功研发出基于锰锡(Mn₃Sn)反铁磁材料的超高速非挥发性磁性开关零件,仅需 40 皮秒即可完成状态切换,速度较传统 DRAM 快上千倍,且功耗极低、发热微小,为解决 AI 硬件能耗与散热痛点提供了全新路径。
一、传统内存痛点凸显,AI 时代亟需 “通用内存”
当前主流内存技术各有短板,难以兼顾高速、低耗与非易失性,无法适配 AI 集群的大规模数据处理需求:
DRAM:依靠电容存储电荷,需持续刷新维持数据,闲置状态也能耗高,且断电易失数据;
NAND 闪存:可长期保存数据,但切换速度慢、能耗高,不适用于高速工作内存场景;
SRAM:切换速度快,但芯片占用面积大、功耗高,难以实现大规模扩容。
数十年来,行业一直渴望研发出融合 SRAM 速度、DRAM 密度、闪存非挥发性与低功耗的 “通用内存”,而东大团队的研究正是朝着这一目标迈出了关键一步。
二、锰锡反铁磁材料:40 皮秒极速切换,低发热成核心优势
东大团队另辟蹊径,从自旋电子学领域切入,选用锰锡(Mn₃Sn) 反铁磁材料打造核心零件,该材料相邻磁矩相互抵消,具备切换速度快、抗磁干扰能力强、尺寸缩小无明显杂散磁场等优势。
研究人员在硅基板上制备层状 Mn₃Sn/Ta 结构,通过超快电脉冲实现两种稳定磁配置间的翻转。与传统实验技术依赖剧烈加热改变状态不同,该零件依靠自旋轨道力矩完成切换,直接传递角动量至磁性结构,无需大幅升温。
模拟数据显示,切换过程中温度仅上升约 8K,远低于传统皮秒级开关技术数百 K 的升温幅度。这一突破让零件实现40 皮秒极速切换,比典型纳秒级内存快上千倍,同时彻底规避严重散热问题。
更具突破性的是,团队成功演示利用电信波段激光与光电二极管产生的超快光电流脉冲,实现磁态切换。这意味着未来可将光信号直接转化为内存写入电脉冲,为光互连与硅光子技术落地奠定基础。
三、应用前景广阔,覆盖个人终端与 AI 基础设施
若该技术实现商业化,将从个人运算到超大规模 AI 基础设施,带来全方位的能效革新:
个人运算领域:设备可在无待机电源的情况下保留工作内存数据,实现即时唤醒,同时大幅降低发热,提升使用体验;
AI 基础设施领域:GPU 集群规模已达数十万颗加速器,数据移动与存储带来的能耗、散热压力严峻。该技术可显著降低内存刷新能耗、减少散热需求、降低待机功耗,甚至模糊内存与存储的边界,助力 AI 算力高效释放。
四、挑战犹存,商业化仍需突破多重关卡
尽管成果亮眼,但目前该零件仍处于实验室阶段,距离量产芯片还有不小差距,核心挑战集中在三方面:
技术依赖:切换需外部偏置磁场,难以直接适配商用硬件;
制造难题:量产可扩展性、长期耐久性不足,成本缺乏竞争力;
工艺兼容:与现有 CMOS 制程整合难度大,短期难以实现规模化生产。
但东大团队的研究已明确行业发展新方向:未来性能提升的核心,将从单纯缩小晶体管尺寸,转向降低信息切换、移动与存储的能耗,为后续相关技术研发提供了重要参考。
一、传统内存痛点凸显,AI 时代亟需 “通用内存”
当前主流内存技术各有短板,难以兼顾高速、低耗与非易失性,无法适配 AI 集群的大规模数据处理需求:
DRAM:依靠电容存储电荷,需持续刷新维持数据,闲置状态也能耗高,且断电易失数据;
NAND 闪存:可长期保存数据,但切换速度慢、能耗高,不适用于高速工作内存场景;
SRAM:切换速度快,但芯片占用面积大、功耗高,难以实现大规模扩容。
数十年来,行业一直渴望研发出融合 SRAM 速度、DRAM 密度、闪存非挥发性与低功耗的 “通用内存”,而东大团队的研究正是朝着这一目标迈出了关键一步。
二、锰锡反铁磁材料:40 皮秒极速切换,低发热成核心优势
东大团队另辟蹊径,从自旋电子学领域切入,选用锰锡(Mn₃Sn) 反铁磁材料打造核心零件,该材料相邻磁矩相互抵消,具备切换速度快、抗磁干扰能力强、尺寸缩小无明显杂散磁场等优势。
研究人员在硅基板上制备层状 Mn₃Sn/Ta 结构,通过超快电脉冲实现两种稳定磁配置间的翻转。与传统实验技术依赖剧烈加热改变状态不同,该零件依靠自旋轨道力矩完成切换,直接传递角动量至磁性结构,无需大幅升温。
模拟数据显示,切换过程中温度仅上升约 8K,远低于传统皮秒级开关技术数百 K 的升温幅度。这一突破让零件实现40 皮秒极速切换,比典型纳秒级内存快上千倍,同时彻底规避严重散热问题。
更具突破性的是,团队成功演示利用电信波段激光与光电二极管产生的超快光电流脉冲,实现磁态切换。这意味着未来可将光信号直接转化为内存写入电脉冲,为光互连与硅光子技术落地奠定基础。
三、应用前景广阔,覆盖个人终端与 AI 基础设施
若该技术实现商业化,将从个人运算到超大规模 AI 基础设施,带来全方位的能效革新:
个人运算领域:设备可在无待机电源的情况下保留工作内存数据,实现即时唤醒,同时大幅降低发热,提升使用体验;
AI 基础设施领域:GPU 集群规模已达数十万颗加速器,数据移动与存储带来的能耗、散热压力严峻。该技术可显著降低内存刷新能耗、减少散热需求、降低待机功耗,甚至模糊内存与存储的边界,助力 AI 算力高效释放。
四、挑战犹存,商业化仍需突破多重关卡
尽管成果亮眼,但目前该零件仍处于实验室阶段,距离量产芯片还有不小差距,核心挑战集中在三方面:
技术依赖:切换需外部偏置磁场,难以直接适配商用硬件;
制造难题:量产可扩展性、长期耐久性不足,成本缺乏竞争力;
工艺兼容:与现有 CMOS 制程整合难度大,短期难以实现规模化生产。
但东大团队的研究已明确行业发展新方向:未来性能提升的核心,将从单纯缩小晶体管尺寸,转向降低信息切换、移动与存储的能耗,为后续相关技术研发提供了重要参考。






关闭返回