忆阻器存算一体AI芯片登Nature，能耗仅有CMOS方法的十万分之一：忆阻器存算一体AI芯片登Na

原标题：忆阻器存算一体AI芯片登Nature ，能耗仅有CMOS方法的十万分之一

文章图片
【忆阻器存算一体AI芯片登Nature，能耗仅有CMOS方法的十万分之一】芯东西（公众号：aichip001）
编译|高歌
编辑|云鹏
芯东西1月29日报道，国际顶级学术期刊《自然·电子》近日发表的一项新研究显示，忆阻器能像人脑神经元一样同时计算和存储数据，并以超低功耗有效解决人工智能医疗诊断问题。
该研究用忆阻器加速机器学习应用，训练所需能耗仅有基于数字CMOS方法的十万分之一。这展示了忆阻器在低功耗或网络“边缘”应用的发展潜力。
相关论文已发表于本月《自然·电子》期刊上，其题目为《利用马尔可夫链蒙特卡罗抽样的固有忆阻器可变性进行原位学习（InsitulearningusingintrinsicmemristorvariabilityviaMarkovchainMonteCarlosampling）》。

文章图片
一、模拟人脑神经元突触的新兴存储技术
忆阻器是一种低功耗非易失性存储技术，可模拟神经元的一些基本特性。
大约50年前，美国加州大学伯克利分校教授蔡少棠在1971年已经预言了这一技术的存在。
但直到2008年，惠普实验室发表了基于TiO2的阻变存储器（RRAM）器件的论文，忆阻器才被首次研发创造出来。
忆阻器本质上是电开关，在电源关闭后，能记住它们是打开还是关闭的。和人脑神经元之间的突触相似，其电导率的增强或减弱由过去多少电流经过决定。
理论上，忆阻器可以像神经元一样，能同时计算和存储数据。因此，研究人员认为，忆阻器可以大大减少传统计算机在处理器和存储器之间来回传输数据所损耗的能量和时间。
这种设备也可以在神经网络中很好地工作。神经网络是一种使用合成突触和神经元来模拟人类大脑学习过程的机器学习系统。
二、相较传统数字CMOS器件，能耗降低5个数量级
忆阻器应用的一个挑战是这些器件的随机可变性。
这项研究的第一作者、法国格勒诺布尔阿尔卑斯大学的电气工程师托马斯·达尔加蒂（ThomasDalaty）说，忆阻器的电阻或导电性水平取决于连接两个电极的少量原子，这使它们的电性能很难控制。
忆阻器是通过高电导开态和低电导关态之间循环编程的。通常，由于器件内部固有的随机过程，忆阻器的电导率可能会在一个开启状态和下一个开启状态之间变化。

文章图片
但如果忆阻器开关次数足够多，每个忆阻器的电导率就会遵循“钟形曲线”模式。
研究人员透露，他们可以实现一种被称为马尔科夫链蒙特卡罗（MCMC ， MarkovchainMonteCarlo）采样算法，来积极利用忆阻器这种可预测的行为，解决一些机器学习任务。
与传统数字CMOS电子器件的性能相比，达尔加蒂团队的忆阻阵列能耗足足降低了5个数量级（10万倍）。
达尔加蒂解释说， 10万倍的差异相当于“世界上最高的建筑哈利法塔与一枚硬币的高度之差” ，这是因为忆阻器不需要在处理器和存储器之间来回传输数据，节约了大量时间和能耗。
三、心率异常检出率高于传统非忆阻器电子技术
忆阻器的一个潜在应用是能够在网络“边缘”进行学习、调整和操作的设备，如嵌入式系统、智能家居设备和物联网（IoT）节点等低功耗设备。达尔加蒂认为，忆阻器可以帮助边缘学习设备成为现实。
“当前边缘学习是不可能的，因为使用现有硬件执行机器学习所需的能量，远远大于边缘可用的能量。 ”他解释说， “边缘学习（使用忆阻器）……可能会打开以前无法实现的全新应用领域。 ”
在研究中，利用忆阻器的随机可变性，研究人员使用由16384个忆阻器组成的阵列实现马尔科夫链蒙特卡罗采样，从心电图记录中执行恶性组织识别和心律异常检测任务。
实验结果显示，相比基于传统非忆阻器电子技术的标准神经网络，这种新方法的检出率更高。
该研究团队还使用他们的阵列来解决诊断恶性乳腺组织样本等图像识别任务。
未来，边缘学习忆阻器的潜在应用可能包括植入医疗早期预警系统，该系统可以适应患者随时间变化的状态。
达尔加蒂说，他们正在寻找那些真正受能源限制而无法实现的边缘应用。