Введение: почему традиционные чипы больше не тянут ИИ
Современный искусственный интеллект — это не только алгоритмы и данные. Под каждой обученной моделью, под каждым запросом к ChatGPT или Midjourney стоит физика: миллиарды транзисторов, переключающихся с частотой в гигагерцы. Но мы упираемся в фундаментальный предел. Закон Мура замедляется: плотность транзисторов на кремниевых чипах растёт всё медленнее, а энергопотребление дата-центров уже сопоставимо с энергопотреблением целых стран. По данным Международного энергетического агентства (IEA, 2025), на дата-центры приходится около 2-3% мирового потребления электроэнергии, и эта доля растёт на 15-20% в год из-за нагрузок ИИ.
Решение лежит не только в архитектуре софта, но и в материаловедении — науке о том, из чего сделаны чипы, провода и подложки. Инновации в материалах обещают радикально снизить энергопотребление, повысить скорость обработки и открыть путь к нейроморфным процессорам, которые работают как мозг. В этой статье мы разберём, как именно materials science innovation продвигает next-gen AI, от новых полупроводников до квантовых точек.
1. Пределы кремния: почему нам нужны новые материалы
Кремний — основа полупроводниковой индустрии уже более 50 лет. Но его физические свойства начинают ограничивать дальнейший прогресс. Ключевые проблемы:
- Тепловыделение: при уменьшении техпроцесса ниже 3 нм плотность теплового потока становится критической. По данным IEEE Spectrum (2024), чипы на техпроцессе 2 нм выделяют до 200 Вт/см², что сопоставимо с тепловыделением ядерного реактора.
- Квантовые эффекты: при размерах транзистора менее 5 нм начинают доминировать туннельные токи — электроны «просачиваются» сквозь барьеры, вызывая утечки и ошибки.
- Энергозатраты на передачу данных: большая часть энергии в современных ИИ-чипах тратится не на вычисления, а на перемещение данных между памятью и процессором (так называемый «von Neumann bottleneck»).
Материаловедение решает эти проблемы на нескольких фронтах: замена кремния на соединения с более высокой подвижностью носителей заряда, внедрение двумерных материалов и создание структур, объединяющих вычисления и память.
2. Новые полупроводники: GaN, SiC и «сверхрешетки»
GaN и SiC
Нитрид галлия (GaN) и карбид кремния (SiC) уже активно используются в силовой электронике — зарядных устройствах, инверторах. Но их потенциал для ИИ тоже велик. GaN обладает шириной запрещённой зоны 3.4 эВ (против 1.1 эВ у кремния), что позволяет работать при более высоких напряжениях, температурах и частотах. Это делает GaN идеальным для RF-чипов (радиочастотных), которые используются в беспроводной передаче данных для ИИ-систем на границе сети (edge AI).
Практический пример: в 2025 году компания Efficient Power Conversion (EPC) представила GaN-транзисторы с частотой переключения до 100 МГц, что в 10 раз выше, чем у лучших кремниевых аналогов. Это позволяет строить более компактные и энергоэффективные инверторы для роботов и дронов, работающих на борту с ИИ-моделями.
Сверхрешетки (superlattices)
Сверхрешетки — это искусственные структуры, где чередуются слои разных материалов толщиной в несколько атомов. Например, чередование слоёв GaAs (арсенид галлия) и AlGaAs (арсенид алюминия-галлия) создаёт квантовые ямы, в которых электроны ведут себя как двумерный газ. Это позволяет создавать лазеры, детекторы и транзисторы с рекордными характеристиками.
Исследователи из MIT (2024) продемонстрировали сверхрешетку на основе MoS₂ и графена, которая обеспечивает подвижность электронов на 40% выше, чем у кремния при комнатной температуре. Такие структуры могут стать основой для будущих процессоров с техпроцессом менее 1 нм.
3. Нейроморфные вычисления: как материалы имитируют синапсы
Нейроморфные чипы — это попытка скопировать архитектуру мозга: вместо битов и тактовых частот — импульсы и синаптические веса, которые меняются со временем. Ключевой элемент — мемристор (memristor), резистор с памятью, который может менять своё сопротивление в зависимости от прошедшего через него заряда.
Мемристоры на основе оксидов металлов
Наиболее зрелая технология — мемристоры на основе HfO₂ (диоксид гафния) или Ta₂O₅ (пентаоксид тантала). В 2025 году группа из Стэнфордского университета (Nature Electronics) представила массив мемристоров размером 1024×1024 (более миллиона синапсов), который потребляет всего 10 мкВт при выполнении операции матричного умножения — это в 1000 раз меньше, чем эквивалентная операция на GPU.
Фазовые переходы: PCM (Phase-Change Memory)
Материалы, меняющие фазу (аморфную на кристаллическую) под действием тепла, используются в PCM-памяти. Например, сплав Ge₂Sb₂Te₅ (GST) при нагреве переходит из аморфного состояния (высокое сопротивление) в кристаллическое (низкое сопротивление). Это позволяет хранить аналоговые веса нейросетей прямо в памяти, объединяя вычисления и хранение.
Компания IBM Research (2024) продемонстрировала нейроморфный чип на основе PCM, который распознаёт рукописные цифры с точностью 97%, потребляя всего 0.5 Вт — это в 100 раз меньше, чем GPU.
Органические материалы
Органические полупроводники (полимеры, малые молекулы) — гибкие, дешёвые и биосовместимые. В 2025 году учёные из Технического университета Мюнхена создали органический синапс на основе PEDOT:PSS, который может менять вес в 10⁶ раз и работает при напряжении менее 1 В. Такие синапсы потенциально можно печатать на гибких подложках для носимой электроники.
4. Квантовые материалы и фотоника
Квантовые точки
Квантовые точки (QD) — нанокристаллы полупроводников, размером 2-10 нм, в которых квантовые эффекты определяют оптические и электронные свойства. Они уже используются в дисплеях (QLED), но для ИИ интерес представляет их способность излучать и поглощать свет с высокой эффективностью.
В 2025 году группа из Чикагского университета показала, что массивы квантовых точек могут выполнять квантовые вычисления при комнатной температуре — пока это лабораторные эксперименты, но прогресс идёт быстро.
Фотонные чипы
Фотонные интегральные схемы (PIC) обрабатывают информацию светом, а не электронами. Это даёт огромные преимущества: скорость света, отсутствие тепловыделения и возможность параллельной обработки (разные длины волн — разные каналы).
Компания Lightmatter (2026) выпустила коммерческий фотонный чип для ИИ-инференса, который выполняет матричные умножения со скоростью 10¹⁵ операций в секунду (1 PetaOPS) при энергопотреблении всего 30 Вт. Для сравнения: NVIDIA H100 потребляет 700 Вт при аналогичной производительности.
Ключевой материал для фотоники — кремний-на-изоляторе (SOI), но для активных элементов (лазеров, модуляторов) нужны III-V полупроводники (InP, GaAs). Гибридная интеграция кремниевой фотоники с электроникой — одно из самых горячих направлений.
5. Edge AI и новые подложки
Edge AI — выполнение ИИ-моделей на устройствах (телефонах, дронах, датчиках) без отправки данных в облако. Здесь критичны энергопотребление и размер. Материаловедение предлагает:
- Графеновые транзисторы: подвижность электронов в графене в 100 раз выше, чем в кремнии, но графен не имеет запрещённой зоны, что затрудняет создание логических элементов. Решение — графеновые наноленты или двумерные гетероструктуры (графен + h-BN).
- Мемристоры на edge: массивы мемристоров можно интегрировать прямо в датчики (например, камеры), чтобы выполнять предобработку изображения на физическом уровне — так называемый «computational sensor».
Практический пример: в 2025 году STMicroelectronics представила прототип чипа для edge AI на основе HfO₂-мемристоров, который обрабатывает аудиопоток в реальном времени (распознавание команд) при энергопотреблении 50 мкВт. Это позволяет встраивать голосовое управление в любые устройства — от розеток до дверных замков.
6. Вызовы и перспективы
Несмотря на впечатляющие лабораторные результаты, коммерциализация материаловедческих инноваций сталкивается с проблемами:
- Масштабирование: производство GaN- или мемристорных чипов требует новых фабрик и оборудования. Переход от 200 мм пластин к 300 мм для GaN — нетривиальная задача.
- Совместимость с CMOS: большинство новых материалов нужно интегрировать с существующими кремниевыми процессами, что требует разработки новых методов осаждения и травления.
- Надёжность: мемристоры и PCM-ячейки деградируют со временем (снижение разницы между состояниями). Исследования показывают, что после 10¹² циклов переключения многие мемристоры теряют до 30% разницы сопротивления (данные IMEC, 2025).
Однако темпы прогресса высоки. По прогнозу IDTechEx (2026), рынок новых полупроводниковых материалов для ИИ вырастет с $5 млрд в 2025 году до $25 млрд к 2030 году.
Заключение
Материаловедение — это не просто «фундаментальная наука», а ключевой драйвер следующего поколения ИИ. Без новых полупроводников, мемристоров и фотонных чипов мы не сможем решить проблему энергопотребления и масштабирования. Уже сегодня мы видим, как GaN-транзисторы питают edge-устройства, мемристоры имитируют синапсы, а фотонные чипы обещают гигаопс при ваттах энергии.
Для инженеров и разработчиков ИИ это означает, что пора выходить за рамки чистого софта и разбираться в физике процессов. Те, кто понимает, как устроены чипы «под капотом», смогут проектировать более эффективные модели и выбирать правильное оборудование.
Если вы хотите глубже изучить, как новые материалы трансформируют AI-инфраструктуру, и научиться интегрировать современные чипы в свои проекты, обратите внимание на курсы в нашем блоге. Мы регулярно публикуем материалы о практическом применении нейроморфных вычислений и edge AI.
Статья подготовлена на основе данных из Nature Electronics (2025), IEEE Spectrum (2024), IDTechEx (2026), а также открытых публикаций MIT, Стэнфорда и IMEC.
Комментарии