傳媒

在人工智能（AI）與大數據時代，傳統計算機硬件的一個致命弱點日益突顯——內存與處理器之間數據傳輸緩慢且高耗能的「馮·諾依曼瓶頸」（von Neumann bottleneck）。目前，終端設備每天在處理 AI 指令時，都需要來回搬運海量數據，不但造成嚴重的延遲，更極速消耗電池電量。

針對上述挑戰，香港大學（港大）研究團隊發明了一種採用極簡架構的新型晶片，可以直接在數據存儲的位置進行複雜搜索。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，利用二維二硫化鉬（MoS2）閃存，成功開發了一種新型模擬內容尋址存儲器（CAM）。

內容尋址存儲器（CAM）提供了一個極具潛力的解決方案，它可以在單個步驟中同時將輸入的搜索數據與所有存儲數據進行比對。然而，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。港大團隊實現了架構的巨大跨越：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。這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。

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，成功拆除了這道屏障，創造了一條暢通無阻、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。其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 108（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：「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」。

論文連結：https://www.nature.com/articles/s41565-025-02089-7。

關於李燦教授
李燦教授為香港大學工程學院電機與計算機工程系副教授，並現任先進半導體與集成電路中心副主任。他於北京大學取得學士及碩士學位，其後於美國麻省大學阿默斯特分校獲得博士學位，並曾於惠普實驗室（Hewlett Packard Labs）從事研究，後加入港大。他的研究團隊致力於開發類腦計算硬件，以憶阻器及新材料等構建新型計算範式，突破傳統馮·諾依曼架構的瓶頸，實現高能效人工智能，應用涵蓋大規模人工智能、量子啟發式優化，以至實時基因組分析。其團隊的研究成果經常發表於頂尖學術期刊及會議，包括《自然─納米技術》（Nature Nanotechnology）等《自然》系列期刊及IEEE國際電子器件會議（IEDM）。他獲選為2025年科睿唯安（Clarivate）全球高被引科學家，並曾榮獲裘槎麥德華前瞻科研大獎及國家自然科學基金優秀青年科學基金。

傳媒查詢，請聯絡:
香港大學工程學院
鍾敏芝女士（電話：3910 3324；電郵：chungmc@hku.hk）
袁可盈女士（電話：3917 1924；電郵：natyuen@hku.hk）