隨著對人工智能 (AI) 和內存計算的興趣顯著增加，電阻式隨機存取存儲器 (ReRAM) 可能成為解鎖其模仿人腦能力的關鍵——但挑戰依然存在。

去年的 IEDM 匯集了許多關于推進各種內存類型的最新研究論文，包括新興的和現有的。毫不奇怪，他們中的很多人都致力于記憶如何改善內存計算、人工智能和機器學習 (ML)，甚至模仿人腦。

ReRAM 一直是神經病計算的代名詞，Weebit Nano 表示有興趣追求其技術;盡管它在公司的其他業務重點上處于次要地位。

與此同時，密歇根大學至少十年前就一直在開發各種 ReRAM 原型。該大學電氣工程和計算機科學系教授 Wei D. Lu 解釋說，ReRAM 提供高密度非易失性存儲和高效內存計算的潛力，而支持 ReRAM 的加速器可以解決馮諾依曼瓶頸密歇根州。他的 IEDM 演示概述了一些設備，以及并行性如何解決越來越大的 AI 模型以及邊緣計算應用程序的功率、延遲和成本要求。

利用并行性的 CPU 仍然會遇到內存瓶頸。雖然 GPU 允許更快的內存訪問，但 Lu 表示，需要一種從根本上提高吞吐量和計算效率的新計算架構。內存保護單元 (MPU) 可以顯著提高并行性并將內存與邏輯放在一起，從而實現設備級計算并更好地促進內存計算。

MPU 可以顯著提高并行性并將內存與邏輯放在一起，從而實現設備級計算并更好地促進內存計算(圖片由密歇根大學提供)

Lu 說，ReRAM 在內存計算方面的潛力在于使用 ReRAM 陣列作為計算結構，因為它可以本地執行學習和推理功能。ReRAM 還支持雙向數據流，而更大的神經網絡可以使用具有平鋪 MPU 架構的模塊化系統來實現，以實現更高的吞吐量。

應對 ReRAM 挑戰

然而，ReRAM 器件存在幾個關鍵挑戰。一方面，基于高精度模數轉換器的讀出電路構成了重大挑戰，而性能可能會受到包括單元間變化在內的設備非理想性的影響。第三個挑戰是在 ReRRAM 設備中觀察到的非線性和不對稱電導更新會嚴重降低訓練精度，Lu 說。

模擬內存計算通過在內存本身內執行某些計算任務來模糊內存和處理之間的界限，并通過利用內存設備的物理屬性來實現。Boybat 說，PCM 是內存計算的有前途的候選者，因為它可以以非常密集的方式存儲信息并且消耗的靜態功率可以忽略不計。IBM Research 最近在過去一年展示了兩款基于 PCM 的內存計算芯片。

溫度敏感性仍然是該團隊的研究領域，蘑菇型 PCM 被用于研究保留。放置在芯片下方的電阻加熱器和溫度表明，在 30 至 80 攝氏度范圍內預計不會出現滯留問題。IBM Research 的實驗研究了溫度變化和漂移對用于內存計算的多級 PCM 的影響。

在IBM Research AI Hardware Center的支持下，研究團隊發現，盡管 PCM 表現出與電導相關的溫度敏感性，但電導狀態的歸一化分布在所應用的時間-溫度曲線中保持相對恒定。研究人員開發了一個可靠的統計模型來捕捉溫度對漂移和電導的影響，并根據 PCM 電導測量對其進行驗證。

他們使用超過一百萬個 PCM 設備證明，使用簡單的補償方案可以在 33 到 80 攝氏度的環境溫度變化下為各種網絡實現并保持高推理精度。

模仿人腦

另一個超越內存計算的熱門研究領域是創建更符合人腦的神經網絡。由劉明代表中科院微電子研究所和復旦大學的許多研究人員介紹的基于 ReRAM 的類腦計算 (BIC) 的工作正在受到前所未有的人工智能計算使用速度的推動，劉說，每三個月翻一番。

BIC 將在中長期規避馮諾依曼瓶頸。(圖片由中國科學院中國微電子研究所提供)

人工智能計算的使用增加使得受大腦啟發的硬件對于維持發展至關重要。雖然新的內存技術可以在短期內增強現有的層次結構，但 BIC 將在中長期規避馮諾依曼瓶頸;BIC 包括內存計算和神經形態計算。

理解 BIC 需要區分 AI 的算法：計算機科學的神經網絡與生物學和神經科學的神經網絡。人工神經網絡 (ANN) 處理空間域中的連續信號，而尖峰神經網絡 (SNN) 更具生物可能性，因為它模仿了大腦的工作方式。劉說，ReRAM 為 BIC 提供了一個理想的平臺，因為它具有豐富的開關動態特性，可以支持大規模集成、低功耗外圍設備和用于構建 BIC 芯片和系統的特定應用架構。

劉說，在許多其他機構從模擬行為開始進行了十多年的研究之后，很快，集成的 SNN 多核將成為可能。ReRAM SNN 的計算密度和能效為高性能提供了巨大潛力，將事件驅動表示和集成多核相結合的芯片將成為現實。然而，要開發適用于實際應用的 BIC 芯片，在架構層面仍有許多探索工作要做。

ReRAM的特性使其成為人工智能和旨在模仿人腦的應用程序的熱門候選者。但是 IEDM 在 IEDM 2021 上通過一整天的會議和兩次 IEEE 磁性學會活動對磁阻隨機存取存儲器給予了同樣多的關注，以表彰微電子學和磁學界之間的關系以推動進步。

在鐵電隨機存取存儲器 (FRAM) 方面，CEA-Leti 宣布了它聲稱的世界上第一個 130nm 節點 16-kbit 陣列的演示，使其更接近商業化。超低功耗、快速、高耐用性和 CMOS 兼容的 BEOL FRAM 存儲器使用一種新的基于 HfO2 的鐵電材料，該材料也比 PZT 更環保，因為它是無鉛的。

潛在用例包括嵌入式應用程序，例如物聯網 (IoT) 設備和可穿戴設備。這項工作得到了歐盟 3eFERRO 聯盟項目的支持，該項目旨在生產新的鐵電材料，使 FRAM 成為物聯網應用中具有競爭力的非易失性存儲器候選者。

盡管許多 IEDM 研究論文傾向于在人工智能、神經形態計算和內存計算等前沿應用中使用新興存儲器，但推進現有存儲器(如動態隨機存取存儲器)仍然是許多研究人員的重點。

英特爾通過 IEDM 活動發表了多篇論文，其中涵蓋了規模改進和為芯片帶來新功能的內容。英特爾的組件研究概述了圍繞混合鍵合互連的設計、工藝和組裝挑戰所做的努力，提出了將封裝互連密度提高 10 倍以上的愿景。在此之前，英特爾在 7 月宣布推出 Foveros Direct，它支持亞 10 微米的凸塊間距，為 3D 堆疊的互連密度提供了一個數量級的增加。

其他論文著眼于英特爾如何通過堆疊多個 CMOS 晶體管的方法來應對預期的后 FinFET 時代，該方法旨在通過每平方毫米安裝更多晶體管來實現最大 30% 到 50% 的邏輯縮放改進，以繼續推進摩爾定律。推進摩爾定律的另一項努力包括即將到來的埃時代，通過研究展示了如何使用只有幾個原子厚的新型材料來制造克服傳統硅通道限制的晶體管——在每個芯片面積上實現數百萬個晶體管。

英特爾還概述了通過在 300 毫米晶圓上集成基于 GAN 的電源開關與基于硅的 CMOS 為硅帶來新功能的研究，這將實現向 CPU 的低損耗、高速供電，同時減少主板組件和空間。

審核編輯：湯梓紅