使用化学物质进行计算可使AI速度更快

人工大脑能有多远？也许还有很长一段路要走，但大脑网络的基本要素——突触——的一个有效的类似物现在似乎近在咫尺。

这是因为一种从电池中汲取灵感的设备现在看起来非常适合运行人工神经网络。它被称为电化学RAM（ECRAM），它给传统的基于晶体管的人工智能带来了意想不到的收益，并在开发完美的人工突触的竞赛中迅速走向领先地位。研究人员最近在IEEE国际电子设备会议（IEDM 2022）和其他会议上报告了一系列进展，包括使用更少能量、保存更久和占用更少空间的ECRAM设备。

为今天的机器学习算法提供动力的人工神经网络是一种软件，它对大量基于电子技术的“神经元”以及它们的许多连接或突触进行建模。研究人员认为，用真实的设备来表示组件，尤其是突触，会产生更快、更节能的人工智能，而不是用软件来表示神经网络。这个被称为模拟AI的概念需要一个结合了大量难以获得的属性的存储单元：它需要保持足够大的模拟值范围，可靠且快速地在不同值之间切换，长时间保持其值，并且能够大规模生产。

“These devices responded much faster than the brain synapse. As a result, they give us the possibility of essentially being able to do a brainlike computation, artificial-intelligence computation, significantly faster than the brain, which is what we really need to realize the promise of artificial intelligence.”
—Jesus del Alamo, MIT

大多数类型的存储器都适合于存储数字值，但噪声太大，无法可靠地存储模拟值。但回到2015年，由Alec Talin领导的桑迪亚国家实验室的一组研究人员意识到答案就在他们面前：电池的充电状态。

“从根本上讲，电池是通过在两种材料之间移动离子来工作的。当离子在两种物质之间移动时，电池会储存和释放能量，”现为密歇根大学材料科学与工程教授的Yiyang Li说,“我们发现，我们可以使用相同的过程来存储信息。”

换句话说，通道中的离子数量决定了存储的模拟值。理论上，单个离子的差异是可以检测的。ECRAM使用这些概念，通过第三栅极端子控制“电池”中的电荷量。

想象一个电池，左边是负极，中间是离子掺杂通道，右边是正极。由通道中的离子数量规定的正负端子之间的导电率决定了设备中存储的模拟值。在通道上方，有一个电解质屏障，允许离子（而不是电子）通过。在屏障的顶部是一个储层，含有流动离子的供应。施加到该储槽的电压充当“门”，迫使离子通过电解质阻挡层进入通道，或相反。如今，切换到任何所需的存储值所需的时间非常快。

麻省理工学院工程和计算机科学教授Jesus del Alamo表示：“这些设备的反应比大脑突触快得多。因此，它们给我们提供了一种可能性，即基本上能够进行类似大脑的计算，人工智能计算，其速度明显快于大脑，这是我们真正需要实现人工智能的承诺。”

最近的发展迅速使ECRAM接近理想模拟存储器所需的所有质量。

“

能量更低

离子不会比单个质子小。Del Alamo在麻省理工学院的团队选择了这种最小的离子作为他们的信息载体，因为它无与伦比的速度。就在几个月前，他们展示了一种设备，这种设备可以在几纳秒内移动离子，大约是大脑突触的10000倍。但速度还不够。

“我们可以看到设备对仍然有点太大的（电压）脉冲的响应非常快，”del Alamo说，“这是一个问题。我们希望能够让设备对电压较低的脉冲的响应速度非常快，因为这是能源效率的关键。”

在近日于IEEE IEDM 2022上发表的研究中，麻省理工学院的团队首次对电流进行实时研究，深入了解了他们设备的运行细节。他们发现了他们认为的阻碍器件在较低电压下切换的瓶颈：质子很容易穿过电解质层，但需要在电解质和通道之间的界面施加额外的电压。del Alamo说，有了这些知识，研究人员相信他们可以设计材料界面，以降低开关所需的电压，从而为更高的能源效率和可扩展性打开大门。

“

内存更久

编程后这些器件通常会保持几个小时的电阻率。桑迪亚国家实验室（Sandia National Laboratories）和密歇根大学（University of Michigan）的研究人员联手，将这一保留时间上限提高到10年。他们在11月的《先进电子材料》杂志上发表了他们的研究结果。

为了长时间保持记忆，由Yiyang Li领导的团队选择了麻省理工学院设备中较重的氧离子而不是质子。即使有更大质量的离子，他们观察到的情况也是出乎意料的。Li回忆道：“我记得有一天，当我在旅行时，我的研究生Diana Kim向我展示了这些数据，我很惊讶。我们没想到它会如此不稳定。我们后来一遍又一遍地重复这个过程，才获得足够的信心。”

他们推测，非挥发性来源于他们选择的材料，氧化钨，以及氧离子在其中的排列方式。“我们认为这是由于一种叫做相分离的物质特性，它允许离子自行排列，从而没有驱动力将其推回，”Li解释道。

不幸的是，如此长的保留时间是以牺牲切换速度为代价的，对于Li的设备来说，切换速度只需几分钟。但是，研究人员表示，对如何实现保留时间的物理理解使他们能够寻找同时具有长记忆和更快切换特性的其他材料。

“

面积更小

这些设备上增加的第三个终端使它们比竞争的两个终端存储器更大，限制了可扩展性。韩国浦项科技大学的研究人员将这些装置放在一边，以帮助缩小装置并将其有效地封装成阵列。这使得研究人员能够将这些设备的占地面积减少到30×30纳米，面积约为前几代的五分之一，同时保持了开关速度，甚至提高了能效和读取时间。研究人员还在IEEE IEDM 2022上报告了他们的结果。

该团队将他们的器件构造成一个巨大的垂直堆叠：源极沉积在底部，导电沟道放置在下一个，然后是其上方的漏极。为了让漏极允许离子进出沟道，他们用单层石墨烯取代了通常的半导体材料。这种石墨烯漏极还用作控制离子流的额外屏障。在其上方，他们放置了电解质屏障，最后在顶部放置了离子池和栅极端子。使用这种配置，不仅性能没有降低，而且将信息写入和读取设备所需的能量也降低了。结果，读取状态所需的时间减少了20倍。

尽管有上述所有进步，但加速AI训练的商用ECRAM芯片仍有一段距离。IBM Research AI Hardware Center的项目总监John Rozen表示，这些设备现在可以由铸造友好材料制成，但这只是故事的一部分。“社区的一个关键焦点应该是解决集成问题，使ECRAM设备能够与前端晶体管逻辑在同一晶圆上单片耦合，这样我们就可以大规模地构建演示器，并确定它是否确实是一种可行的技术。”

Rozen在IBM的团队正在努力实现这一可制造性。与此同时，他们创造了一种软件工具，允许用户使用不同的模拟人工智能设备（包括ECRAM）来实际训练神经网络并评估其性能。