如何利用忆阻器技术改变高精度的科学计算

　　新的技术不仅有利于低精度的神经网络计算，而且也有利于高精度的科学计算。

　　麻省大学阿默斯特分校的研究表明，忆阻器设备可以使用显著更少的能量解决复杂的科学问题，克服数字计算的主要障碍之一。

　　包括马萨诸塞大学阿默斯特分校工程师在内的一组研究人员已经证明，他们的模拟计算设备（称为忆阻器）可以完成复杂的科学计算任务，同时绕过数字计算的限制。

　　应对现代计算挑战

　　当今许多重要的科学问题——从纳米级材料建模到大规模气候科学——都可以使用复杂的方程来探索。然而，当今的数字计算系统在执行这些计算时在速度、能耗和基础设施方面已达到极限。

　　麻省大学阿默斯特分校电气与计算机工程系教授、 《科学》杂志上发表的这项研究的通讯作者之一夏强飞解释说，利用当前的计算方法，每次想要存储信息或给计算机分配任务时，需要在内存和计算单元之间移动数据。由于复杂的任务需要移动大量数据，人们基本上会遇到某种处理“交通堵塞”。

　　利用忆阻器技术彻底改变计算

　　传统计算解决此问题的一种方法是增加带宽。相反，夏强飞和他在马萨诸塞大学阿默斯特分校、南加州大学和计算技术制造商 TetraMem 的同事使用模拟忆阻器技术实现了内存计算，作为替代方案，可以通过减少数据传输次数来避免这些瓶颈。

　　该团队的内存计算依赖于一种称为忆阻器的电子元件——内存和电阻器的组合（控制电路中的电流）。忆阻器控制电路中的电流流动，同时即使在电源关闭时也“记住”先前的状态，这与当今基于晶体管的计算机芯片不同，后者只能在通电时保存信息。忆阻器器件可以被编程为多个电阻级别，从而增加一个单元中的信息密度。

　　提高计算效率

　　当组织成纵横阵列时，这种忆阻电路通过以大规模并行方式使用物理定律进行模拟计算，从而大大加速矩阵运算，这是神经网络中最常用但非常耗电的计算。计算是在设备现场执行的，而不是在内存和处理之间移动数据。夏强飞用交通比喻，将内存计算与疫情时期最严重时几乎空无一人的道路进行了比较：“你消除了传输拥堵，因为‘每个人都在家工作’，我们同时工作，但我们只发送重要的数据/结果。”

　　此前，这些研究人员证明他们的忆阻器可以完成低精度计算任务，例如机器学习，其他应用包括模拟信号处理、射频传感和硬件安全。

　　高精度计算的突破

　　“在这项工作中，我们提出并演示了一种新的电路架构和编程协议，可以使用多个相对低精度的模拟器件（例如忆阻器）的加权和来有效地表示高精度数字，同时大大减少电路开销，与现有的量化方法相比，能量和延迟更低。”夏强飞说。

　　“这篇论文的突破在于我们进一步突破了界限，”他补充道。“这项技术不仅有利于低精度的神经网络计算，而且也有利于高精度的科学计算。”

　　为了进行原理验证演示，忆阻器解决了静态和随时间演化的偏微分方程、纳维-斯托克斯方程和磁流体动力学问题。

　　“我们把自己推出了自己的舒适区，”他说，超越了边缘计算神经网络的低精度要求，扩展到高精度科学计算。

　　麻省大学阿默斯特分校的团队和合作者花了十多年的时间来设计合适的忆阻器器件并构建用于模拟内存计算的大型电路和计算机芯片。“我们过去十年的研究使模拟忆阻器成为一种可行的技术。现在是时候将如此伟大的技术引入半导体行业，以使广大的人工智能硬件社区受益。”夏强飞说。

　　为什么需要存算一体？

　　对比目前各种计算芯片动辄成百上千瓦的功耗，人类大脑只需要约20W就可以实现灵活高性能的计算，这启发人们重新关注大脑的结构与特性。与计算机传统的冯·诺依曼架构中存算分离的模式不同，实际生物大脑中的神经元既参与计算又参与存储，不存在上述的各种存算分离局限，受此启发，研究人员设计出了存算一体架构。

　　存算一体架构需要一种既可以作为计算单元又可以作为存储单元的器件，忆阻器的特性刚好与之契合。忆阻器是基于器件阻值来存储信息的，并且其电阻可以通过外加的激励实现连续、可逆的调节，在去掉激励后仍可以保持当前电阻状态，这种特性与生物神经元突触非常相似，因此忆阻器也被称为“电子突触器件”。

　　忆阻器通常由金属-介质-金属（MIM）的夹层结构组成，包含2层电极和1层忆阻功能层，其电学特性往往与电极层和功能层密切相关。依据不同的工作机理，广义上的忆阻器主要包含以下几种类型：阻变随机存储器（RRAM），相变存储器（PCM），磁随机存储器（MRAM），铁电存储器（ferroelectric memory）。

　　审核编辑：黄飞