“忆阻器存算一体系统实现低能耗类脑计算”

本篇文章1702字，读完约4分钟

科学技术日报金凤

在人脑工作机制、计算方法等的启发下，近年来，科学家们试图借鉴人脑物理结构和工作优势，使计算机完成特定的计算任务。

但是，受一直以来流传的计算机体系结构瓶颈的限制，在当前的新闻计算解决方案中，数据的存储和计算需要由存储器芯片和中央解决方案分别进行。 数据通过“运载”在两者之间解决，耗时长，耗电量大，随时可能“拥堵”。

计算机像人脑一样集记忆和计算于一体，能快速解决新闻吗？

最近，清华大学微电子所、未来芯片技术高精尖创新中心的研究小组与合作者共同开发了基于多个存储器阵列的计算一体化系统，有效解决了卷积神经互联网，比图形解决方案芯片高了两个数量级，大大提高了计算设备的计算能力

用一体的小功耗实现大的计算力

随着人工智能应用的计算和存储诉求的不断提高，集成电路芯片技术面临着许多新的挑战。 另外一方面，摩尔定律越是“逐渐远离”，越难以通过集成电路工艺的微细方法获得计算力的提高，而在现有的架构中，计算和存储由不同的电路单元完成，大量的数据传输会导致功耗的增加和额外的延迟。

“如果我们把在家生活比作存储器，把上下班比作计算，那么每天上下班的路上都会消耗时间、精力，到了早晚的高峰，通勤时间就会变长。 这个剧本和新闻解决有很多相似之处。 存储和计算合二为一，可以像在家工作一样缩短上下班时间，节约体力消耗，用更小的功耗实现更大的计算能力，减少数据传输延迟。 ”。 该小组的研究成员之一，清华大学未来芯片技术高精尖创新中心教授吴华强说。

因此，如何实现计算存储一体化，突破计算力的瓶颈，近年来成为国内外科学研究的热点。

电阻器是继电阻、电容器、电感之后的第四电路基本元件，该元件的电阻值从其中流动的电荷可以看出。 即使切断电流，存储电阻器的电阻也会停留在之前的值，因此意味着即使停电，这部分的数据也能够保存。 除此之外，由于内存尺寸小，可以大规模整合，功耗低，适合模拟计算，研究小组认为可以使用内存尝试进行内存一体化、低功耗的大脑计算。

但现实远比理想有骨感。 存储器设备之间的偏差、设备电导卡的停滞、电导状态的漂移等导致计算精度的降低，难以制造具有高一致性、高可靠性的多值存储器阵列。

存储器性能的好坏在很大程度上取决于材料的选择和组合。 在选材时，团队首先考虑所选材料的物理参数是否可控，将来是否适合产业化。

出于这些考虑，小组在存储器常用的铪材料中增加了界面控制层。 该界面控制层是金属氧化层材料，其不同成分所占的比例可以通过工艺准确地控制。 由此，可以有效地控制存储电阻器中二氧化铪部分的微观变化、内部的温度和电场。

“界面控制层就像口罩一样，不仅可以阻隔病毒和尘埃，还可以保温、保湿。 该设计方法使器件具有非常好的电气特征，可以在工厂大规模生产。 ”。 该研究小组的高滨副教授说。

可能会率先应用于人工智能行业

为了让记忆电阻储能一体化系统处理实际问题，在解决许多计算任务中，需要克服器件、系统、算法等瓶颈，卷积神经互联网是一个很好的“试金石”。

卷积神经互联网是一种重要的深度学习模型，借鉴人脑解决视觉新闻的方法，从算法的角度，通过卷积、池化等操作，有效提取图像、视频等特征新闻，高于解决许多计算机的视觉任务 传统的计算架构受限于记忆和计算分离的设计，实现卷积神经网络模型功耗高、延迟长，不能满足许多生活场景中的电池容量、实时操作等要求

小组认为，为了有效解决卷积神经互联网等深度学习模型，满足日常应用对计算力、功耗的要求，可以使用一体化的记忆电阻器。 另外，提出了空之间的并行化机制，将相同的卷积核编程到多个存储器块的阵列中，各存储器块的阵列可以并行解决不同的卷积输入块。 他们为了提高并行计算的效率，集成了包括2048个存储器块的8个存储器块解决单元。 该系统有效地执行了卷积神经网络算法，成功地验证了图像识别功能，说明了一体化结构全硬件实现的可能性。

吴华强表示，记忆电阻器储能一体化系统可能会率先应用于人工智能行业。 如果使用基于记忆电阻器的存储一体芯片生产手机，芯片的计算能力几乎可以让手机掌握“读心术”，“了解你的声音，喜欢那些照片，就会变得越来越亲近和聪明。”