随着人工智能时代的来临，以数据为中心的计算任务呈现爆炸式增长，这对下一代计算提出了更为苛刻的能效要求。根据数据的处理方式，可以将计算分为感知型和推理型任务。对于处理图像分类、物体识别、语言处理等感知型任务，具有高度并行性的矩阵计算往往是最优选择，而对于推理型任务的处理求解，串行的逻辑计算更具高效性。目前产业界正在应用基于冯·诺依曼架构（von Neumann architecture）的串行计算统一框架来解决所有工作。但是感知和推理型任务对体系架构的的不同需求使其在经济化应用中面临严峻的挑战。
存储器件阵列实现的存内计算技术允许执行原位并行的矩阵计算，消除了高能耗和时间损耗的数据移动。而晶体管技术则更适用于逻辑计算，通过级联晶体管逻辑门，前级计算结果被输入到下一级进行串行计算，且输入端（栅极）和输出端（源/漏极）互相独立，可以实现高效逻辑计算并获得准确的结果。
图1. 任务需求驱动的计算方式及其硬件实现技术
然而，以体材料存储器件为基础的存内计算技术无法避免计算能效损失，精度退化，仿生特性不真实等困难；同时晶体管技术正遭遇着尺寸和电压缩小趋于极限和面积效率低等物理限制。受益于2D材料原子级厚度、易于获得单层的范德华层状结构、丰富的材料种类和能带结构、无悬挂键的晶格等本质特性，2D材料在矩阵和逻辑计算应用中展现了独特优势，包括存内计算技术中功耗、计算精度和仿生特性的改进，并在晶体管技术中表现出持续缩放优势和高面积效率集成潜能。
作者通过对研究技术的纵览，综述了2D材料分别在并行计算与串行计算技术中的理论基础、研究现状与未来发展方向。同时指出，我国在以新材料、新器件为基础的未来计算技术领域已处于领先地位，科研力量充足和研究积累丰富。在适当的研发投入支持下，中国到2035年将非常有机会主导新体系计算技术。
复旦大学计算机科学技术学院博士后刘春森，微电子学院博士生陈华威、王水源，芯片与系统前沿技术研究院教授刘琦为共同第一作者，微电子学院教授周鹏为通讯作者。该项工作得到了国家自然科学基金委应急项目和****基金、上海市科技创新重点计划、国家重点研发计划、上海市教育委员会‘曙光人才’计划的资助。
文章链接：http://dx.doi.org/10.1038/s41565-020-0724-3.
