新的技術不僅有利于低精度的神經網絡計算，而且也有利于高精度的科學計算。

　　麻省大學阿默斯特分校的研究表明，憶阻器設備可以使用顯著更少的能量解決復雜的科學問題，克服數字計算的主要障礙之一。

　　包括馬薩諸塞大學阿默斯特分校工程師在內的一組研究人員已經證明，他們的模擬計算設備（稱為憶阻器）可以完成復雜的科學計算任務，同時繞過數字計算的限制。

　　應對現代計算挑戰

　　當今許多重要的科學問題——從納米級材料建模到大規模氣候科學——都可以使用復雜的方程來探索。然而，當今的數字計算系統在執行這些計算時在速度、能耗和基礎設施方面已達到極限。

　　麻省大學阿默斯特分校電氣與計算機工程系教授、 《科學》雜志上發表的這項研究的通訊作者之一夏強飛解釋說，利用當前的計算方法，每次想要存儲信息或給計算機分配任務時，需要在內存和計算單元之間移動數據。由于復雜的任務需要移動大量數據，人們基本上會遇到某種處理“交通堵塞”。

　　利用憶阻器技術徹底改變計算

　　傳統計算解決此問題的一種方法是增加帶寬。相反，夏強飛和他在馬薩諸塞大學阿默斯特分校、南加州大學和計算技術制造商 TetraMem 的同事使用模擬憶阻器技術實現了內存計算，作為替代方案，可以通過減少數據傳輸次數來避免這些瓶頸。

　　該團隊的內存計算依賴于一種稱為憶阻器的電子元件——內存和電阻器的組合（控制電路中的電流）。憶阻器控制電路中的電流流動，同時即使在電源關閉時也“記住”先前的狀態，這與當今基于晶體管的計算機芯片不同，后者只能在通電時保存信息。憶阻器器件可以被編程為多個電阻級別，從而增加一個單元中的信息密度。

　　提高計算效率

　　當組織成縱橫陣列時，這種憶阻電路通過以大規模并行方式使用物理定律進行模擬計算，從而大大加速矩陣運算，這是神經網絡中最常用但非常耗電的計算。計算是在設備現場執行的，而不是在內存和處理之間移動數據。夏強飛用交通比喻，將內存計算與疫情時期最嚴重時幾乎空無一人的道路進行了比較：“你消除了傳輸擁堵，因為‘每個人都在家工作’，我們同時工作，但我們只發送重要的數據/結果。”

　　此前，這些研究人員證明他們的憶阻器可以完成低精度計算任務，例如機器學習，其他應用包括模擬信號處理、射頻傳感和硬件安全。

　　高精度計算的突破

　　“在這項工作中，我們提出并演示了一種新的電路架構和編程協議，可以使用多個相對低精度的模擬器件（例如憶阻器）的加權和來有效地表示高精度數字，同時大大減少電路開銷，與現有的量化方法相比，能量和延遲更低。”夏強飛說。

　　“這篇論文的突破在于我們進一步突破了界限，”他補充道。“這項技術不僅有利于低精度的神經網絡計算，而且也有利于高精度的科學計算。”

　　為了進行原理驗證演示，憶阻器解決了靜態和隨時間演化的偏微分方程、納維-斯托克斯方程和磁流體動力學問題。

　　“我們把自己推出了自己的舒適區，”他說，超越了邊緣計算神經網絡的低精度要求，擴展到高精度科學計算。

　　麻省大學阿默斯特分校的團隊和合作者花了十多年的時間來設計合適的憶阻器器件并構建用于模擬內存計算的大型電路和計算機芯片。“我們過去十年的研究使模擬憶阻器成為一種可行的技術。現在是時候將如此偉大的技術引入半導體行業，以使廣大的人工智能硬件社區受益。”夏強飛說。

　　為什么需要存算一體？

　　對比目前各種計算芯片動輒成百上千瓦的功耗，人類大腦只需要約20W就可以實現靈活高性能的計算，這啟發人們重新關注大腦的結構與特性。與計算機傳統的馮·諾依曼架構中存算分離的模式不同，實際生物大腦中的神經元既參與計算又參與存儲，不存在上述的各種存算分離局限，受此啟發，研究人員設計出了存算一體架構。

　　存算一體架構需要一種既可以作為計算單元又可以作為存儲單元的器件，憶阻器的特性剛好與之契合。憶阻器是基于器件阻值來存儲信息的，并且其電阻可以通過外加的激勵實現連續、可逆的調節，在去掉激勵后仍可以保持當前電阻狀態，這種特性與生物神經元突觸非常相似，因此憶阻器也被稱為“電子突觸器件”。

　　憶阻器通常由金屬-介質-金屬（MIM）的夾層結構組成，包含2層電極和1層憶阻功能層，其電學特性往往與電極層和功能層密切相關。依據不同的工作機理，廣義上的憶阻器主要包含以下幾種類型：阻變隨機存儲器（RRAM），相變存儲器（PCM），磁隨機存儲器（MRAM），鐵電存儲器（ferroelectric memory）。

　　審核編輯：黃飛