“清华用忆阻器制人工神经互联网芯片 能效比GPU高两个数量级”

本篇文章1520字，读完约4分钟

以前交给的计算机将数据存储在内存中，传送给解析器运算。 在“搬运”这类数据的活动中花费精力和时间被认为是冯·诺依曼计算体系结构的核心瓶颈。

人脑不是这样，而是直接在内存中计算。 被认为具有“记忆一体”潜力的记忆电阻器，已经成为类脑计算行业的热门设备。

最近，清华大学微电子所、未来芯片技术高精尖创新中心的钱鹤、吴华强团队和合作者在顶级学术杂志、英国《自然》杂志( nature )上在线发表论文，基于存储物联网，硬件

该存储器一体化系统在解决卷积神经互联网( cnn )时，工作在比前端图形解算芯片( gpu )高2位数的水平上，在一定程度上突破了“冯·诺依曼瓶颈”的限制:计算力

基于存储器芯片的存储器一体化系统源:清华大学

什么是存储器块？

存储器、全名存储电阻器( memristor )是继电阻、电容器、电感之后的第四个电路基本元件，表现出磁通与电荷的关系，加州大学伯克利分校教授蔡少棠于1971年预言存在，惠普企业于2008年开发成功。

简单地说，这种组件的电阻根据通过的电流量而变化，即使电流停止，其电阻也停留在前一个值，被推回直到受到反向电流，等于说“记住”前一个电流量。

这个神奇的效果，其实和神经元的突触很相似。 并且，由于存储块具有尺寸小、操作功耗低、可以进行大规模整合(三维整合)等优点，计算机科学家们在存储块中看到了存储一体、低功耗的大脑计算的前景也就不足为奇了。

人工神经互联网近年来大放异彩，但如果用记忆电阻器连接阵列，作为人工神经互联网的硬件，有什么效果呢？

存储器阵列

国内外许多公司、研究机构都在关注，但清华大学的信息网页显示，目前国际上的内存电阻器研究只停留在简单的互联网结构验证，或基于少量器件数据的模拟。 通过存储器阵列进行完全的硬件安装仍然存在很多课题。

例如，在设备方面，需要创建高度一致、可靠的阵列。 在系统方面，存储电阻器由于工作原理而存在固有缺陷(例如设备间的变动、设备的导电卡的停滞、导电状态的漂移等)，在导致计算精度降低的结构方面，存储器阵列要实现卷积功能，需要具备以下条件

凭借近年来积累的一点成果，钱鹤、吴华强团队逐渐优化了材料和器件结构，制造出了高性能的存储器阵列。

年5月，该课题组在《自然通信》上首次实现了基于1024个氧化物存储器阵列的类脑计算，使氧化物存储器的集成规模提高了一个数量级。 这样，芯片可以更有效地完成面部识别计算任务，将功耗控制在原来的千分之一以下。

存储神经元网络

这次，金、吴团队整合了包括2048个存储器块在内的8个阵列，提高了并行计算的效率。

在此基础上，他们构建了5层卷积神经互联网进行图像识别，得到了96%以上的高精度，结果表明，基于存储器的卷积神经互联网比目前最先进的gpu的能效高出了两位数。

这样的提高是怎么实现的？ 原本，为了处理设备固有缺陷导致的系统识别精度下降的问题，他们提出了一种用较少的图像样本训练神经网络，微调最终层互联网部分权重的新的混合训练算法。

另外，他们提出了将相同的卷积核编程为多组存储器块数组的空间并行机制，各组存储器块数组可以并行解决不同的卷积输入块，提高并行度加速卷积计算。

多个存储器阵列的并行解决

随着摩尔定律的减缓，计算界期待着新的框架突破冯·诺依曼的瓶颈，应对越来越多复杂的ai问题。 基于记忆电阻器的储能一体化系统在这个角落稳步前进。 (本文来自澎湃信息，越来越多的原始信息请下载“澎湃信息”app )信息推荐

脱离欧洲后，英国护照封面返回蓝色内政大臣:恢复国家认可

据外国媒体报道，英国内政部称，新的蓝色封面护照将于3月初取代1988年以来使用的酒红封面。 英国于1921年开始发行深蓝色封...