芯片|科技突破，一种新的芯片增加了人工智能的可能性( 二 ) 算法|存储器|it芯片

20世纪中期的研究人员没有认识到节能计算的潜力。直到21世纪初，随着新的金属氧化物的发现，研究人员才意识到这种可能性。但在2004年，三星电子的研究人员宣布，他们已经成功地在传统计算芯片上集成了RRAM存储器，这意味着内存计算芯片可能最终成为可能。
用于人工智能的内存计算芯片
十多年来，研究人员一直致力于将RRAM技术发展到能够可靠地处理高功率计算任务的程度。大约在2015年，计算机科学家开始认识到这些节能设备在大型人工智能算法中的巨大潜力，这些算法开始腾飞。那一年，加州大学的科学家们展示了RRAM设备可以做更多的事情，而不仅仅是以一种新的方式存储内存。它们可以自己执行基本的计算任务——包括在神经网络的人工神经元中进行的绝大多数计算，即简单的矩阵乘法任务。

在NeuRRAM芯片中，硅神经元被内置到硬件中，而RRAM存储单元存储权值。由于NeuRRAM存储单元是模拟的，它们存储的权重代表了当设备在低电阻到高电阻状态之间切换时发生的全部电阻状态。这使得比数字RRAM存储器能达到更高的能源效率，因为芯片可以并行地运行许多矩阵计算，而不是像数字处理版本那样一个接一个地同步运行。
但是由于模拟处理仍然比数字处理落后几十年，仍然有许多问题需要解决。一是模拟RRAM芯片必须异常精确，因为物理芯片上的缺陷会引入变异性和噪声。这大大增加了模拟RRAM设备运行AI算法的难度，因为如果RRAM设备的导电状态每次都不完全相同，那么识别图像的准确性就会受到影响。
他们必须解决的另一个主要问题是支持不同神经网络所需的灵活性。在过去，芯片设计者必须将微小的RRAM设备排列在靠近较大硅神经元的区域。 RRAM设备和神经元是硬连接的，没有可编程性，所以计算只能在一个方向上进行。为了支持双向计算的神经网络，需要额外的电线和电路，增加了能量和空间的需求。
因此，研究人员设计了一种新的芯片架构，将RRAM存储设备和硅神经元混合在一起。这个设计上的小改动减少了总面积，节约了能源。几年来，研究人员在NeuRRAM芯片上设计、制造、测试、校准和运行AI算法。他们确实考虑过使用其他新兴类型的存储器，这些存储器也可以用于内存计算芯片，但RRAM具有优势，因为它在模拟编程方面具有优势，而且它相对容易与传统计算材料集成。

他们最近的成果代表了第一个可以运行如此庞大而复杂的AI算法的RRAM芯片，这一壮举以前只可能在理论模拟中实现。
该团队的设计保持了NeuRRAM芯片的微小，同时压缩了300万可作为模拟处理器的RRAM存储设备。虽然它至少可以像数字计算机一样运行神经网络，但该芯片还可以运行在不同方向上执行计算的算法。他们的芯片可以向RRAM阵列的行输入电压，并从列中读取输出，这是RRAM芯片的标准，但它也可以从列到行反向执行，因此它可以用于处理不同方向数据的神经网络。
然而，规模是个问题。现在最大的神经网络包含数十亿的权重，而不是新芯片所包含的数百万。研究人员计划通过将多个NeuRRAM芯片堆叠在一起来扩大规模。
在未来的设备中，进一步降低成本很重要。实现这一目标的一种方法是通过更紧密地复制大脑，以采用真实神经元之间使用的通信信号：电峰值。当细胞内外的电压差达到一个临界阈值时，一个神经元向另一个神经元发出信号。也许有一天，我们甚至能够与人类大脑的860亿神经元和数万亿连接它们的突触相匹配，而不会耗尽能量。