MIT создал кремниевые чипы, которые считают на тепле с точностью 99%

В каждом процессоре, GPU и серверной стойке есть враг номер один — тепло. Инженеры тратят миллиарды на охлаждение: вентиляторы, жидкостные системы, целые реки, перенаправленные к дата-центрам. А что если использовать это тепло не как отход, а как вычислительный ресурс? Команда MIT показала, что это возможно — и с точностью выше 99%.

Как тепло становится вычислением

Исследование, опубликованное 29 января в Physical Review Applied, описывает микроскопические кремниевые структуры размером с пылинку, которые выполняют вычисления за счёт теплопроводности. Это форма аналогового компьютинга — данные кодируются не битами (0 и 1), а непрерывными температурными значениями.

Принцип работы: входные данные записываются как набор температур с использованием уже существующего в устройстве тепла. Поток тепла через специально спроектированную кремниевую структуру выполняет вычисление. На выходе — мощность, собранная на другом конце, который поддерживается при фиксированной температуре.

«Обычно при вычислениях в электронном устройстве тепло — это отходы. Все хотят от него избавиться. Мы пошли наоборот: используем тепло как форму информации и показываем, что вычисления на тепле возможны», — объясняет Кайо Силва, студент факультета физики MIT и первый автор работы.

Инверсный дизайн: компьютер проектирует для компьютера

Создать подобные структуры вручную невозможно — они слишком сложны для человеческой интуиции. Исследователи использовали метод инверсного дизайна: сначала задаётся желаемая функциональность (конкретная математическая матрица), а затем алгоритм итеративно проектирует оптимальную геометрию.

Система работает на сетке: каждый пиксель представляет кремний или пустоту (пору). Алгоритм непрерывно корректирует каждый пиксель, пока структура не начнёт реализовывать нужную математическую функцию. Тепло диффундирует через кремний таким образом, что выполняет матричное умножение — геометрия структуры кодирует коэффициенты матрицы.

Была одна проблема: из-за законов теплопроводности (тепло всегда идёт от горячего к холодному) структуры могут кодировать только положительные коэффициенты. Решение оказалось элегантным — целевую матрицу разбивают на положительную и отрицательную компоненты, оптимизируют отдельные структуры для каждой, а затем вычитают выходные данные.

Дополнительная степень свободы — толщина структур, которая определяет уровень теплопроводности и позволяет реализовывать более широкий набор матриц.

Матричное умножение — фундамент LLM

Матричное умножение — это именно та операция, которую миллиарды раз выполняют современные LLM вроде GPT или Claude. Каждый запрос к нейросети — это каскад матричных умножений. Если хотя бы часть из них можно перенести на тепловые структуры, это радикально снизит энергопотребление.

На текущих симуляциях структуры работали с простыми матрицами (2-3 столбца) и показали точность выше 99% в большинстве случаев. Это немного, но такие матрицы уже полезны для конкретных применений — термального менеджмента и диагностики в микроэлектронике.

До deep learning ещё далеко: потребовались бы миллионы таких структур, соединённых вместе. С ростом сложности матриц точность падает, особенно при большом расстоянии между входными и выходными терминалами. Пропускная способность устройств тоже ограничена.

Практические применения уже сейчас

Ближайшее применение — не замена GPU, а дополнение к существующей электронике. Структуры могут детектировать тепловые источники и градиенты температуры в микрочипах без потребления дополнительной энергии и без отдельных температурных сенсоров, которые занимают место на кристалле.

«Температурные градиенты могут вызвать тепловое расширение, повредить схему или даже вызвать отказ устройства. Если у нас есть локальный источник тепла там, где его быть не должно, — это проблема. Мы можем напрямую детектировать такие источники этими структурами, просто подключив их без цифровых компонентов», — объясняет Джузеппе Романо, научный сотрудник Института нанотехнологий MIT.

Что впереди

Следующий шаг — проектирование структур, способных выполнять последовательные операции, где выход одной структуры становится входом для другой. Именно так работают нейросети. Команда также планирует создать программируемые структуры — с возможностью кодировать разные матрицы без полной перепроектировки.

Термальный аналоговый компьютинг не заменит GPU в ближайшие годы. Но сама идея — превратить главный враг вычислений в вычислительный ресурс — красива и практична. В мире, где дата-центры потребляют энергию целых городов, каждый ватт, утилизированный вместо отведённого, имеет значение.