В МФТИ создали сегнетоэлектрическую хранилище с ресурсом более 100 млн циклов перезаписи

Исследователи МФТИ сообщили о прорыве в разработке сегнетоэлектрической памяти: экспериментальные образцы выдержали более 100 млн циклов перезаписи — это на порядки выше типичных показателей флеш-памяти.

Речь идет о памяти на основе оксида гафния-циркония — материала, способного сохранять состояние без питания и работать в ультратонких пленках толщиной всего некоторое количество нанометров. Такие структуры потенциально подходят для энергоэффективных вычислений и нейроморфных систем, где важна высокая плотность и скорость доступа к данным.

Ключевая проблема подобных решений — токи утечки, которые растут при уменьшении толщины пленки. Ученые выяснили, что основной вклад в утечки дают границы между кристаллическими зернами, где накапливаются заряды. Управляя размером зерен и технологией обработки, этот эффект удалось частично контролировать.

Другие новости и материалы по AI — в Telegram-канале NH | Новости технологий, AI и будущее.

В процессе экспериментов команда создала схема, позволяющую прогнозировать деградацию памяти на годы вперед. Потеря данных связана с эффектом импринта — накоплением заряда внутри структуры, который со временем искажает поведение ячеек. Новая модель помогает подобрать оптимальное напряжение и режим работы еще на этапе проектирования.

Отдельно исследователи зафиксировали нетривиальный эффект: ультратонкие пленки (приблизительно 5 нм) показали рекордную выносливость — более 100 млн циклов, тогда как более толстые образцы деградировали быстрее. При этом толстые пленки лучше сохраняют информация в долгосрочной перспективе.

Фактически речь идет о компромиссе между ресурсом и надежностью хранения. Это даёт возможность подбирать параметры памяти под конкретные задачи: от медицинских имплантов, где важна стабильность, до ускорителей ИИ и систем обработки данных, где критична высокая частота перезаписи.

Работа формирует практическую основу для проектирования новой памяти — с возможностью заранее оценивать дедлайн службы и поведение устройства в разных режимах. В перспективе такие решения могут использоваться в энергоэффективных дата-центрах и специализированных AI-чипах.