密歇根大學研發成功第一臺可編程的憶阻器計算機，它不僅是一個通過外部計算機運行的憶阻器陣列，而且還是可以在智能手機等小型設備上進行 AI 處理的計算機。

憶阻器（Memristor，全稱記憶電阻器）陣列芯片插入定制的計算機芯片，第一臺可編程的憶阻器計算機就此誕生。該研究團隊證明了憶阻器計算機可以運行三種標準的機器學習算法。圖源：Robert Coelius，密歇根工程學院。這臺可編程的憶阻器計算機可以直接在類似于智能手機和傳感器等能耗受限的小型設備上來進行人工智能處理。智能手機的人工智能處理器意味著語音命令將不再需要發送到云端進行處理，從而加快了請求的響應時間。

“每個人都想在智能手機上安裝一個人工智能處理器，但大家都不想讓自己的手機電量消耗得太快。”美國密歇根大學電氣工程和計算機科學學院教授 Wei Lu這樣說道。而在醫療設備中，人工智能算法就無需在云端運行，這可以確保更好的安全性和隱私保密性。實現可編程憶阻器計算機的關鍵可能是憶阻器的高級計算機組件。

那什么是憶阻器呢？簡單來說，這是一個帶有存儲功能的電阻器，它有著可變電阻，可以作為信息存儲的一種方式。由于憶阻器在同一位置進行信息存儲和處理，因此可以繞過計算速度和功率的最大瓶頸：內存和處理器之間的通道。

用常見的水管來比喻，電流是通過的水量，而電阻是水管的粗細時，當水從一個方向流過去，水管會隨著水流量而越來越粗，這時如果把水流關掉的話，水管的粗細會維持不變；反之，當水從相反方向流動時，水管就會越來越細。因為這樣的組件會“記住”之前的電流量，因此被稱為憶阻器。由于憶阻器尺寸小、能耗低，所以能很好地儲存和處理信息，一個憶阻器的工作量相當于一枚 CPU 芯片中十幾個晶體管共同產生的效用。

這對于需要處理大量數據的機器學習算法尤其重要，例如識別照片和視頻中的對象，或是預測哪些醫院的患者更容易感染等實際問題。程序員已經傾向于在圖像處理單元上運行這些算法，而不是在計算機的主處理器和中央處理單元上來運行。

Wei Lu 表示：“在功率和吞吐量方面，GPU 和定制化及優化度很高的數字電路的性能是 CPU 的 10 到 100倍，而憶阻器人工智能處理器的性能可能會再提高 10到 100 倍。”GPU 在機器學習任務中表現得更好，因為它們有數千個小型的內核可以同時進行計算，而不是等待一個 CPU 中少數幾個功能強大的內核來運行這一系列的計算。

一個憶阻器陣列甚至可以更進一步，每個憶組器都能進行自己的計算，并且允許在一個內核里同時進行數千次的運算。在這臺用于實驗的計算機中，有 5800 多個憶阻器，如果是用于商業化的計算機則可能包括數百萬個。憶阻器陣列特別適用于解決機器學習領域的問題。這是因為機器學習算法在本質上是把數據轉化為向量，即數據點列表。例如，在預測患者在醫院里感染的風險時，向量可能以數字的形式列出患者的風險因素。

然后，機器學習算法將這些“輸入”的向量與存儲在內存中的“特征”向量進行比較。這些特征向量表示數據的某些特征（例如潛在疾病的存在幾率）。如果相匹配，那么系統就知道輸入的數據具有這種特征。向量存儲在矩陣中，就像數學中的電子表格一樣，這些矩陣可以直接映射到憶阻器的陣列上。

更重要的是，當數據通過陣列進行輸入的時候，大部分的數學處理過程是通過憶阻器中的自然電阻進行的，這也就消除了為了執行計算而將特征向量移入和移出內存的需要，這使得陣列在復雜的矩陣計算過程中保持很高的效率。早期的研究證明了憶阻器陣列在提高機器學習效率方面的潛力，但它們需要外部的計算組件來發揮作用。

為了創建第一臺可編程的憶阻器計算機，Wei Lu 的團隊與密歇根大學電子與計算機工程學院的 Zhengya Zhang 副教授、Michael Flynn 教授一起合作，設計出了一種芯片，可以將憶阻器陣列與編程及運行所需的所有其余組件集成在一起，這些組件包括一個傳統的數字處理器和通信通道，以及數字與模擬信號的轉換器，作為模擬憶阻器陣列和計算機其余部分之間的解釋器。

接下來，Wei Lu 的團隊將憶阻器陣列直接集成到密歇根大學勞瑞納米加工技術實驗室（Lurie Nanofabrication Facility ）的芯片上。另外，他們還開發了將機器學習算法映射到憶阻器陣列的矩陣結構上的軟件。