Koreańczycy poczwórnie zagęszczają pamięć dla układów AI

Zespół z południowokoreańskiej politechniki POSTECH opracował metodę układania w stos ponad dziesięciu ultracienkich warstw krzemu, uzyskując gęstość upakowania pamięci około czterokrotnie wyższą niż w dzisiejszych komercyjnych układach pamięci HBM. Wyniki opublikowano 8 lipca 2026 roku w czasopiśmie Results in Engineering.

Pamięć o wysokiej przepustowości, znana jako HBM, to dziś jedno z wąskich gardeł sprzętu do trenowania i uruchamiania dużych modeli językowych. Im więcej warstw pamięci uda się upakować w jednym module, tym więcej danych procesor graficzny może przetwarzać jednocześnie, bez czekania na ich przesłanie z zewnętrznych kości. Problem w tym, że im cieńsze i liczniejsze warstwy, tym trudniej je precyzyjnie ułożyć i połączyć elektrycznie bez uszkodzeń.

Dwa procesy w jednym kroku

Zespół z POSTECH rozwiązał ten problem, łącząc dwa etapy produkcji w jeden. Zamiast najpierw precyzyjnie układać cienkie warstwy krzemu, a potem osobno je łączyć elektrycznie, naukowcy opracowali metodę transfer printing połączoną z jednoczesnym tworzeniem połączeń metalicznych w momencie, gdy warstwa dotyka poprzedniej. Połączenie opiera się na dyfuzyjnym wiązaniu miedzi z cyną, prowadzonym w niskiej temperaturze i przy niskim ciśnieniu, co ogranicza wyginanie się papierowo cienkich warstw w miarę wzrostu stosu.

By achieving an integration density approximately four times higher than existing HBM technologies, we expect this technology to become - prof. Seok Kim, POSTECH

Wciąż laboratorium, nie fabryka

Autorzy badania wyraźnie zaznaczają, że osiągnięcie ma na razie charakter laboratoryjny. Nie wiadomo jeszcze, czy metodę da się przenieść na linie produkcyjne na skalę przemysłową, gdzie liczy się nie tylko gęstość upakowania, ale też powtarzalność procesu przy milionach sztuk. Producenci pamięci HBM, tacy jak SK Hynix czy Samsung, od lat inwestują w konkurencyjne podejścia do zwiększania liczby warstw w swoich modułach.

Dlaczego to ważne dla rynku AI

Zapotrzebowanie na pamięć HBM rośnie wraz z każdą kolejną generacją układów graficznych do AI. Analitycy szacują, że centra danych zajmujące się sztuczną inteligencją odpowiadają już za większość zużycia zaawansowanych kości pamięciowych na świecie, a producenci od miesięcy sygnalizują ograniczoną dostępność mocy produkcyjnych. Jeśli metoda opracowana w Pohang okaże się skalowalna, może dać producentom pamięci nowy sposób na zwiększenie pojemności modułów bez czekania na kolejne generacje litografii.

Dla polskiego rynku, gdzie firmy i uczelnie coraz częściej inwestują w lokalną infrastrukturę obliczeniową do AI, ceny i dostępność pamięci HBM mają bezpośrednie przełożenie na koszty budowy własnych klastrów. Każdy przełom zwiększający gęstość pamięci przy zachowaniu rozsądnych kosztów produkcji może w dłuższej perspektywie obniżyć próg wejścia dla mniejszych graczy planujących własne instalacje obliczeniowe.

Naukowcy zapowiadają dalsze prace nad przeniesieniem technologii poza warunki laboratoryjne. Kluczowym testem będzie to, czy metoda uda się powtórzyć przy większej skali produkcji i czy koszty procesu okażą się konkurencyjne wobec istniejących technik stosowanych już przez wielkich producentów pamięci.

Źródła: Tech Xplore (techxplore.com), chip.pl