Uvod: zašto promjene u materijalima i integraciji mikročipova donose preokret u potrošnji energije
U eri koju karakterizira eksplozivni rast potrošnje podataka i potreba za bržim, ali i štedljivijim računalnim sustavima, istraživanja koja ciljaju na energetsku učinkovitost mikroelektronike dobivaju na značaju. Budući da računalne operacije danas pokreću mnoge zadatke, od generativne umjetne inteligencije do vizualnog prepoznavanja, svaki miliwat koji se može ušparati pretvara se u masivnu razliku u operativnoj potrošnji. Nova tehnologija za integraciju više funkcionalnih slojeva na postojeći čip obećava smanjenje energije koja se gubi pri prijenosu podataka između različitih dijelova kruga, što bi moglo preokrenuti dinamiku rada modernih uređaja.
Ključna ideja koja stoji iza ove razine integracije je premještanje dijelova tradicionalno smještenih na front endu čipa na back end, čime se smanjuje udaljenost koju podaci moraju prevaliti i time se značajno ubrzava rad uz manju potrošnju energije. Takav pristup ne traži samo nov materijal ili bolju običnu litografiju; riječ je o novom načinu razmišljanja o arhitekturi čipa, gdje se transistori i memorijske komponente proizvode u jednoj kompaknoj zbirci na postojećem čipu. Ovaj koncept nije fikcija. Radi se o praktičnom napretku koji su predstavili znanstvenici na MIT-u kroz dvije radne stranice objavljene na konferenciji IEEE International Electron Devices Meeting, s mogućnostima primjene koje bi mogle imati širok domet, od potrošačke elektronike do serverskih sustava za umjetnu inteligenciju.
Kako funkcionira nova integracijska platforma i što joj daje prednost
Nova integracija: back-end of line kao nova šansa za učinkovitost
Tradicionalne CMOS platforme s jedne strane imaju front end deo gdje se aktivni elementi poput tranzistora i kondenzatora razmještaju, a s druge strane back end, gdje se nalaze interkonekcije i drugi metalni spojevi koji povezuju dijelove čipa. Uobičajeno, energija se gubi kada podatci putuju tim žicama ili kada dođe do nepreciznog poravnanja tijekom spajanja slojeva. Rješenje koje su predložili istraživači s MIT-a je upravo u tome da se dio aktivnih slojeva dodaje na back end, na način koji minimizira udaljenost prijenosa i smanjuje gubitke energije bez potrebe za opsežnim izmjenama u front end proizvodnom procesu.
Ta promjena nije trivijalna. Glavni izazov bio je kako dopustiti povezivanje dodatnih slojeva bez zagrijavanja front enda do temperature koja bi oštetila postojeće transistore. Tim je razvio tehniku koja koristi novi materijal i preciznu kontrolu procesa kako bi se omogućilo stvaranje dodatnih aktivenh slojeva na back endu. Rezultat je povećana gustoća integracije uz smanjenu potrošnju energije po operaciji računanja, što je ključno za brze AI zadatke i zadatke koji zahtijevaju velika količina podataka.
Materijal koji pokreće promjenu: amorfni indijski oksid
Centralni materijal u ovom pristupu je amorfni indij oksid, koji se koristi kao aktivni kanalni sloj transistora na back endu. Zanimljivo je da se ovaj materijal može nanijeti u izrazito tankom sloju, debljine samo nekoliko nanometara, uz temperature oko 150 stupnjeva Celzija. Takav nježni pristup omogućava postavljanje novih slojeva na postojeći čip bez destruktivnog grijanja front enda. Amorfni indij oksid posjeduje jedinstvena električna svojstva koja omogućavaju brzi prekid i stabilno ponašanje pri malim naponom, što doprinosi nižoj potrošnji energije i većoj brzini prebacivanja stanja tranzistora.
Osim što je tanak, ovaj materijal pokazuje i iznenađujuću sklonost da se “rastegne” kroz stvaranje izuzetno tankih slojeva uz relativno mekani rast u procesnoj tehnologiji. Zahvaljujući tome, istraživači su mogli postići tranzistore s iznimno malom veličinom i integriranom memorijom, što smanjuje broj operacija prijenosa podatka i povećava energetsku učinkovitost mikroelektronike.
Ferroelectric hafnium-zircon oxide: memorija unutar transistora
Još jedan ključni dio ovog pristupa je dodavanje sloja hafnium-zircon oksida s ferroelectricnim svojstvima kao dio memorijskog elementa unutar back-end transistora. Takav sloj omogućava memoriju koja može zadržati podatke uz niske napone i brz odziva. Time se spajaju funkcionalnosti memorije i kalkulacije u jednoj veoma maloj platformi, što omogućava bržu obradu bez dodatnog prenosa podataka na front end. Izvedena rješenja su pokazala ubrzanje prekida (switching) pri vremenskim razmacima reda deset nanosekundi, uz rad na naponom koji zahtijeva značajno manju energiju od sličnih tehnologija. U praksi to znači manje grijanja i učinkovitije izvođenje zadataka koji zahtijevaju česte pristupe memoriji, što je čest slučaj u modernim AI operacijama.
Zašto je ovo važno za potrošnju energije i performanse računalnih sustava
Ublažavanje putanje podataka i povećanje brzine obrade
Ukratko, smanjenje udaljenosti prenosa podataka između različitih komponenti čipa izravno utječe na energetsku bilancu sustava. Manje kretanja elektrona znači manje gubitaka i topline te omogućava brži ciklus radnih zadataka. To je posebno značajno za zadatke s velikim zahtjevima za računom i memorijom, poput treniranja modela dubokog učenja, rada generativnih modela i obrada računalnog vida. U scenarijima gdje sustavi rade 24/7, svaka smanjena potrošnja energije donosi značajne uštede na razini data centra i uređaja osobne potrošnje.
Uz industrijsku konvergenciju AI i edge računanja, ova tehnologija ima potencijal da olakša premještanje dijelova radnih opterećenja bliže korisniku ili između uređaja. To znači manje posla za centralnu infrastrukturu i manje potrebe za energijom dok se izvode kompleksni zadaci, što je osobito važno u mobilnim uređajima i IoT sustavima.
Veličina, performanse i trajnost sustava
Nova platforma dopušta izuzetno malu veličinu aktivnih slojeva – nanometarske debljine – bez degradacije performansi front enda. Ovaj pristup također otvara put ka većoj gustoći tranzistora po čipu i manje struje koja je potrebna za načine rada koji zahtijevaju brze preklopne operacije. U praksi to znači čipove koji mogu brže izvršavati složene operacije i to uz manje zagrijavanje, čime se produžava vijek trajanja uređaja i omogućuje sigurnija radna okruženja za napredne AI aplikacije.
Primjene, primjeri i učinci na industriju
Primjena u serverskim sustavima i data centrima
U serverskim kontekstima, nova integracijska platforma može značajno smanjiti energiju potrebnu za izvođenje složenih AI zadataka, osobito tijekom treniranja i izvođenja velikih modela. Manja potrošnja energije znači manje potreba za hlađenjem i niže ukupne operativne troškove, što je bitno za operatere data centara i službene korisnike. Osim toga, veća gustoća tranzistora otvorit će mogućnost za više funkcionalnosti na istom čipu, što može doprinijeti bržim odgovorima i manje latencijama u AI uslugama.
Edge računanje i mobilne uređaje
Na rubu mreže, gdje su energija i prostor još uvijek glavni faktori, integracija na back endu s malim slojevima materijala i memorije može donijeti gotovo trenutačne odgovore uz minimalne gubitke energije. To je posebno relevantno za mobilne uređaje, pametne kamere i IoT uređaje, koji zahtijevaju brzo obradu podataka uz produženje trajanja baterije.
Industrijski i svakodnevni uređaji
Uređaji za pametnu kuću, autonomna vozila i industrijski automatski sustavi s vremenom mogu profitirati od smanjenja potrošnje energije i povećanja performansi. Povećanje integracije omogućava naprednije, kompaktnije i učinkovitije sklopove, koji su sposobni pokretati slojevitije algoritme uz manje termičkog opterećenja.
Temporalni kontekst, statistike i očekivani razvoj
U posljednjih nekoliko godina industrija je u daljem zamahu prema energetskim učinkovitijim rješenjima, uz naglašeni fokus na umjetnu inteligenciju i velike podatkovne tokove. Potrošnja energije podatkovnih centara rasla je s trendovima koji ukazuju na kontinuirani rast, a predviđanja ukazuju na potrebu za inovativnim arhitekturama koje smanjuju potrošnju uz istodobno povećanje performansi. Tehnologije poput integracije back end slojeva i upotrebe novih materijala poput amorfnog indij oksida i ferroelectric hafnium-zircon oksida doprinose ovim ciljevima time što smanjuju energiju po operaciji i ubrzavaju vrijeme do kadrova prekida. U kontekstu AI zadataka, koji zahtijevaju masivne količine prijenosa podataka i računanja, predviđa se da će ove promjene omogućiti značajne uštede energije uz povećanje gustoće integracije na čipu.
Statistički gledano, rast potražnje za naprednim čipovima prati rast primjene AI na različitim platformama. Generativna AI, računalni vid i duboko učenje prevedeni su kao glavni pokretački motor potrošnje energije u modernim sustavima. Ako nova platforma s matrlom na back endu bude široko primijenjena, možemo očekivati smanjenje potrošnje po operaciji i ubrzanje obrade u scenarijima gdje se trenutačno troši mnogo električne energije. Ovo bi, posljedično, doprinijelo smanjenju toplinskog opterećenja u data centrima, kao i povećanju vijeka trajanja baterija u mobilnim uređajima i edge sustavima.
Prednosti i izazovi (pros i cons)
- Prednost: Smjena fokusa na back end omogućuje višu integracijsku gustoću bez uništavanja postojećih front end komponenti, čime se smanjuje ukupna potrošnja energije.
- Prednost: Dodatak als memorijskih kapaciteta unutar tranzistora smanjuje broj potrebnih prijenosa podataka između različitih dijelova čipa, što direktno smanjuje potrošnju energije.
- Prednost: Brži odziv i niži napon rada transistora povećavaju energetsku učinkovitost mikroelektronike u AI radnim zadacima i vizualnom prepoznavanju.
- Izazov: Proizvodnja na back endu zahtijeva visoku preciznost i prilagodbu procesa, te može zahtijevati nove proizvodne linije ili prilagodbu postojećih fabrika.
- Izazov: Stabilnost i dugovječnost ferroelectricnih memorijskih slojeva moraju biti potvrđene u različitim radnim uvjetima i na različitim temperaturnim opsezima.
- Izazov: Ekonomski aspekt implementacije na masovnoj razini, uključujući troškove prelaska s postojećih CMOS procesa na ovu novu integracijsku platformu, treba pažljivo procijeniti.
Budućnost: što znači za industriju i potrošačke uređaje
Idea o integraciji više funkcionalnih slojeva na jednoj čipu otvara vrata razvoju manje potrošnje, bržih i kompaktnijih uređaja. U budućnosti bi se takvi čipovi mogli pojaviti u širokom spektru sustava, od naprednih grafičkih kartica i serverskih akceleratora za AI do uređaja za nosivu potrošnju i pametne senzorske mreže. Očekuje se da će se razvoj materijala poput amorfnog indij oksida i ferroelectric hafnium-zircon oksida nastaviti s dinamikom povećanja kvalitete i smanjenja troškova proizvodnje, čime će ova tehnologija postati pristupačnija za široku primjenu.
Više nego ikad, suradnja između akademije i industrije bit će ključna za preseljenje ovog koncepta iz laboratorija na proizvodnu liniju. Open questions ostaju oko dugotrajnog održavanja performansi i kako se nove tehnologije mogu prilagoditi različitim tržištima i potrebama kupaca. No, ako se trendovi nastave, prvi valovi uređaja s ovom tehnologijom mogli bi se pojaviti već u sljedećoj petogodišnjoj fazi, donoseći nižu potrošnju energije uz istovremeno povećanje računalne brzine i učinkovitosti.
Zaključak: korak prema održivijoj budućnosti mikroelektronike
Nova generacija čipova koja koristi back-end integraciju i nove materijale predstavlja važan korak prema održivijoj digitalnoj infrastrukturi. Smanjenje energetskih gubitaka tijekom prijenosa podataka i u samim tranzistorima dovodi do manje topline i ljepše trajnosti uređaja, što je ključno kako bi se podržao rast potrošnje AI i velikih sustava. Iako postoje izazovi u proizvodnji i komercijalizaciji, činjenica da istraživanje generira konkretne industrijske primjene daje optimizam za budućnost. Ovim putem, bez poricanja važnosti ostalih tehnika za poboljšanje energetske učinkovitosti, vidimo kako materijali poput amorfnog indij oksida i ferroelectric hafnium-zircon oksida mogu biti dijelom rješenja u borbi protiv rastuće potrošnje energije u digitalnom dobu.
FAQ: najčešća pitanja korisnika
- Što je back-end integracija čipova? To je koncept dodavanja dodatnih slojeva aktivnih komponenti na stražnji dio čipa, umjesto na front endu, kako bi se povećala gustoća i smanjila energija povezana s prijenosom podataka.
- Koji materijal omogućava ovakvu integraciju? Glavni materijal u ovom pristupu je amorfni indij oksid, koji omogućava ultra tanak sloj i nisku temperaturu obrade na back endu.
- Što znači ferroelectric hafnium-zircon oxide u memoriji unutar transistora? Radi se o sloju koji omogućava trajno zadržavanje podataka uz niske napone, što smanjuje potrošnju energije i ubrzava operacije prebacivanja stanja.
- Kada bi se ovo moglo komercijalizirati? Iako su rezultati obećavajući, komercijalizacija ovisi o daljnjim testovima, prilagodbi proizvodnih procesa i ekonomskim analizama prelaska na novu tehnologiju; očekivanja variraju, ali neki modeli mogu krenuti u pilot-projekte u narednih 5-10 godina.
- Kako ovo utječe na AI zadatke? Za AI zadatke, posebno treniranje i izvođenje velikih modela, manja potrošnja energije uz održavanje ili povećanje brzine znači niže operativne troškove i manje zagrijavanje data centara.
- Koji su rizici i izazovi? Glavni izazovi uključuju stabilnost ferroelectricnih slojeva, pouzdanost procesa u masovnoj proizvodnji i potencijalne troškove prelaska s postojećih tehnologija na novu platformu.
- Kako se očuvava kvaliteta i trajnost materijala? Kroz striktnu kontrolu procesa, precizne parametre rasta i testiranje pod različitim radnim uvjetima, uključujući varijacije temperature i ciklusa preklopa.







![Što znači NIS2 direktiva i zašto je važna za IT sigurnost u Hrvatskoj [EU podrška za cybersecurity] 8 businessman with smart artificial intelligence ai 2024 10 11 03 45 41 utc](https://umjetnai.com/wp-content/uploads/2025/04/businessman-with-smart-artificial-intelligence-ai-2024-10-11-03-45-41-utc-360x180.jpg)

![ChatGPT 5 je stigao: brži, pametniji i dostupan svima [Besplatno] 10 chatgpt5](https://umjetnai.com/wp-content/uploads/2025/08/chatgpt5-360x180.webp)



![Google AI Pregledi uzrokuju pad organskog CTR-a za 61%, a plaćenog za 68% (što to znači i što sada raditi) [2025] 14 Google AI Pregledi uzrokuju pad organskog CTR-a za 61%, a plaćenog za 68% (što to znači i što sada raditi) [2025]](https://umjetnai.com/wp-content/uploads/2025/11/google-ai-overview-serp-illustration-4e284d31-360x180.jpg)

