Kinesiska forskare presenterar världens minsta ferroelektriska transistor med 1-nanometers gate

Ett forskarteam från Peking University och Chinese Academy of Sciences har utvecklat världens minsta ferroelektriska transistor, där man lyckats krympa grindlängden till bara 1 nanometer. Denna nanogate-enhet - som beskrivs i tidskriften Science Advances - arbetar vid endast 0,6 volt och övervinner därmed en kritisk flaskhals i halvledarindustrin när det gäller strömförbrukning.

Moderna logikchip fungerar effektivt vid ca 0,7 volt. Vanliga icke-flyktiga minnen, som NAND flash, kräver dock normalt 5 volt eller mer för att utföra skrivoperationer. Även tidigare ferroelektriska fälteffekttransistorer (FeFET) krävde över 1,5 volt. Denna spänningsmissmatchning leder till komplexa step-up-kretsar som slösar värdefullt utrymme och energi. I typiska AI-chip används 60-90% av den totala strömförbrukningen enbart för dataöverföring snarare än för faktiska beräkningar.

För att lösa detta använde forskargruppen, under ledning av Qiu Chenguang och Peng Lianmao, metalliska enkelväggiga kolnanorör som gateelektroder. Denna design fungerar som en nanotip, som koncentrerar det elektriska fältet för att förbättra kopplingen mellan det ferroelektriska skiktet och kanalen.

Denna fältförstärkning gör att enheten kan byta polarisationstillstånd vid bara 0,6 volt - lägre än den logiska standardspänningen - samtidigt som immuniteten mot kortkanaleffekter bibehålls.

De resulterande FeFET-enheterna av molybdendisulfid (_MoS2) uppvisar överlägsna minnesprestanda, med en on/off-kvot på 2 miljoner och en snabb programmeringshastighet på 1,6 nanosekunder. Genom att uppnå spänningskompatibilitet mellan minnes- och logikenheter eliminerar tekniken behovet av extra laddningspumpkretsar, vilket undanröjer hinder för höghastighetsdatainteraktion.

Enligt forskarna kan den underliggande principen tillämpas på vanliga ferroelektriska material och är kompatibel med industriella standardtillverkningsprocesser. Detta genombrott har stor betydelse för framtiden när det gäller inferens med stora modeller, edge intelligence och bärbara enheter, där energieffektivitet är av största vikt.