神奇的忆阻器AI芯片，大幅降低功耗

模仿神经元连接突触的忆阻设备可以作为复制大脑学习方式的神经网络的硬件。现在，两项新研究可能有助于解决这些组件面临的关键问题，不仅涉及产量和可靠性，还涉及寻找神经网络以外的应用。

忆阻器或记忆电阻器本质上是开关，可以记住它们在电源关闭后切换到的电状态。全球科学家的目标是使用忆阻器和类似组件来构建像神经元一样可以计算和存储数据的电子设备。这些忆阻设备可以大大减少传统微芯片在处理器和内存之间来回传输数据时所损失的能量和时间。这种受大脑启发的神经形态硬件也可能被证明是实现神经网络的理想选择——人工智能系统越来越多地用于分析医学扫描和增强自动驾驶汽车等应用。

然而，当前的忆阻器件通常依赖于产量低且电子性能不可靠的新兴技术。为了帮助克服这些挑战，以色列和中国的研究人员使用标准 CMOS 生产线制造了忆阻器件。在乘法累加运算（神经网络中最基本的运算）方面，该团队构建的硅突触拥有 100% 的产出率，能效比高性能 Nvidia Tesla V100 图形处理单元高 170 到 350 倍。

科学家们使用商业闪存中使用的浮栅晶体管技术开发了新设备。传统的浮栅晶体管具有三个端子，而新组件只有两个。这极大地简化了制造和操作并减小了它们的尺寸。此外，忆阻器只有二进制输入和输出，消除了对神经形态硬件中经常使用的大型、耗能、模数和数模转换器的需求，该研究的资深作者、以色列理工学院电气和计算机工程专业副教授 Shahar Kvatinsky 说。

新设备显示出高耐用性，使用电压脉冲可运行超过 100,000 次编程和擦除循环。此外，它们仅显示出适度的设备间差异，并且预计拥有超过 10 年的长数据保留时间。

研究人员使用大约 150 个这样的组件来实现一种仅使用二进制信号运行的神经网络。在实验中，它可以识别手写数字，准确率约为 97%。Kvatinsky 说，这项工作“只是一个开始——一个概念验证，而不是一个完整的集成芯片或一个大型神经网络。整合和扩大规模是一项重大挑战。”

在另一项研究中，一组法国研究人员调查了使用忆阻器进行称为贝叶斯推理的统计计算技术，其中先验知识有助于计算不确定选择可能正确的可能性。它的结果是完全可以解释的——与许多几乎难以理解的 AI 计算不同——并且它可以在可用数据很少时表现良好，因为它可以结合先前的专家知识。然而，“如何用忆阻器计算贝叶斯推理并不明显，”该研究的合著者、巴黎萨克莱大学 CNRS 的研究科学家 Damien Querlioz 说。

使用传统电子设备实施贝叶斯推理需要复杂的记忆模式，“随着观察次数的增加呈指数增长，”苏黎世神经信息学研究所的神经形态科学家 Melika Payvand 说，她没有参与这两项研究。然而，Querlioz 和他的同事“找到了一种简化这一过程的方法，”她指出。

科学家们重写了贝叶斯方程，这样忆阻器阵列就可以执行利用随机性的统计分析——也就是“随机计算”。使用这种方法，阵列在时钟的每个滴答声中生成半随机比特流。这些位通常为零，但有时为 1。零与一的比例编码了阵列执行的统计计算所需的概率。与非随机方法相比，这种数字策略使用相对简单的电路，所有这些都减少了系统的尺寸和能源需求。

研究人员制作了一个原型电路，在同一芯片上的 30,080 个 CMOS 晶体管上集成了 2,048 个氧化铪忆阻器。在实验中，他们让新电路从手腕上佩戴的设备发出的信号中识别出一个人的手写签名。

贝叶斯推理通常被认为在传统电子设备中计算量大。新电路使用传统计算机处理器的 1/800 到 1/5,000 的能量执行手写识别，这表明“忆阻器是提供低能耗人工智能的非常有前途的线索，”Querlioz 说。

新设备还可以立即打开和关闭，这表明它只在需要节省电量时才工作。此外，研究人员表示，它还能够抵抗随机事件的错误，使其在极端环境中非常有用。总而言之，新电路“在存在高度不确定性、可用数据很少且需要可解释的决策的安全关键情况下表现出色，”Querlioz 说。“例如医疗传感器或用于监控工业设施安全的电路。”

Payvand 说，贝叶斯电路的未来方向可能包括收集多种类型传感数据的机器，其中可能包括自动驾驶汽车或无人机。她指出，如果机器对基于一种感觉做出的预测没有信心，它可以通过从不同的感觉分析数据来增强它的信心。

Payvand 警告说，贝叶斯系统面临的一个主要障碍是它们对更大问题或网络的可扩展性。Querlioz 指出，他们已经设计了一个相当大的设备版本，“目前正在制造中。” 他指出，他们的电路目前专门用于某些类型的贝叶斯计算，并希望在未来创建更具适应性的设计。

在某种程度上，这两项研究都使用了随机性——Querlioz 和他的同事将其用于统计分析，而 Kvatinsky 和他的合作者让他们的神经网络以随机间隔对数据进行采样，以避免在对有限数量的数据进行采样时可能发生的错误。

“这些方法与忆阻器设备的遗传随机性很好地结合在一起，”惠普实验室的高级人工智能研究科学家 Giacomo Pedretti 说，他没有参与这两项工作。尝试使用这些电子设备中的固有噪声来生成受控随机性“而不是实施昂贵的数字伪随机数发生器”将“非常有趣”，他说。

★ 点击文末【阅读原文】，可查看本文原文链接！