劃重點(diǎn)
01印度科學(xué)研究所等研究團(tuán)隊(duì)在Nature期刊上發(fā)表了一篇關(guān)于新型分子憶阻器的研究論文，提升了神經(jīng)形態(tài)計(jì)算的精度和能效。
02該憶阻器以釕復(fù)合物為基礎(chǔ)，可實(shí)現(xiàn)14位分辨率，信噪比達(dá)到73dB，能效提升460倍。
03除此之外，這種憶阻器可在分子級(jí)別完成計(jì)算任務(wù)，顯著提升計(jì)算效率。
04研究團(tuán)隊(duì)表示，這種新型分子憶阻器有望成為復(fù)雜人工智能模型的重要加速器，尤其在邊緣計(jì)算領(lǐng)域。
05盡管如此，該技術(shù)仍面臨挑戰(zhàn)，如大規(guī)模應(yīng)用下的精度和性能保持、制造工藝復(fù)雜等問題。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
人工智能（AI）硬件有望徹底被顛覆，在計(jì)算速度和能效方面實(shí)現(xiàn)前所未有的改進(jìn)。
日前，來自印度科學(xué)研究所、德克薩斯農(nóng)工大學(xué)和利默里克大學(xué)的研究團(tuán)隊(duì)，在一篇發(fā)表在權(quán)威科學(xué)期刊Nature上的研究論文中介紹了一種新型分子憶阻器，將神經(jīng)形態(tài)計(jì)算提升到了前所未有的高精度。
加之神經(jīng)形態(tài)計(jì)算固有的功耗低、延遲孝可擴(kuò)展性高等特點(diǎn)，這一研究為人工智能的未來發(fā)展，尤其在能效需求迫切的領(lǐng)域提供了新的可能性。
據(jù)介紹，他們?cè)O(shè)計(jì)了一種基于釕（Ru）復(fù)合物的新型分子憶阻器（神經(jīng)形態(tài)硬件中的核心組件），其使用一種偶氮芳香配體，能夠?qū)崿F(xiàn) 14 位的分辨率，并通過精確的動(dòng)力學(xué)控制，可訪問多達(dá) 16520 個(gè)不同的模擬電導(dǎo)水平。相比于傳統(tǒng)的計(jì)算方式，這種新型分子憶阻器具備以下特點(diǎn)：
超高精度：信噪比達(dá)到 73 dB，超過現(xiàn)有技術(shù)四個(gè)數(shù)量級(jí)。
極低能耗：相比數(shù)字計(jì)算機(jī)，能效提升 460 倍。
大規(guī)模并行運(yùn)算：可以在分子級(jí)別完成計(jì)算任務(wù)，顯著提升計(jì)算效率。
研究團(tuán)隊(duì)表示，這種新型分子憶阻器的應(yīng)用可能擴(kuò)展神經(jīng)形態(tài)計(jì)算的范圍，使其超越目前的小眾應(yīng)用，增強(qiáng)從云端到邊緣的數(shù)字電子設(shè)備的核心功能。
值得一提的是，這種新型憶阻器有望成為復(fù)雜人工智能模型（如 GAN 和 Transformer）的重要加速器。
研究團(tuán)隊(duì)表示：“我們的終極目標(biāo)是用這種基于環(huán)保節(jié)能材料的高性能計(jì)算系統(tǒng)，取代現(xiàn)有的計(jì)算架構(gòu)，并將其應(yīng)用到日常生活的各個(gè)領(lǐng)域，從服裝、食品包裝到建筑材料，真正實(shí)現(xiàn)分布式的無處不在的信息處理。”
迄今最大，克服傳統(tǒng)計(jì)算架構(gòu)瓶頸
神經(jīng)形態(tài)計(jì)算的核心理念是模擬生物神經(jīng)網(wǎng)絡(luò)的工作方式，從而提高計(jì)算效率并降低能耗。在這一架構(gòu)下，神經(jīng)元和突觸的行為被仿真為計(jì)算元件，能夠在硬件中直接執(zhí)行大量向量-矩陣乘法（VMM）運(yùn)算。相比傳統(tǒng)的馮諾依曼架構(gòu)，其具有三大優(yōu)勢(shì)：
并行處理：像大腦一樣，可以同時(shí)處理大量信息。
低功耗：受生物神經(jīng)元啟發(fā)，功耗遠(yuǎn)低于傳統(tǒng)計(jì)算機(jī)。
自適應(yīng)學(xué)習(xí)：可以像人類大腦一樣，通過不斷調(diào)整連接權(quán)重，完成復(fù)雜的學(xué)習(xí)任務(wù)。
在神經(jīng)形態(tài)計(jì)算系統(tǒng)中，憶阻器模擬了神經(jīng)元突觸的功能，通過改變電阻來存儲(chǔ)和傳遞信息，使得運(yùn)算可以在存儲(chǔ)單元中直接進(jìn)行，提升了計(jì)算的速度和效率。
傳統(tǒng)計(jì)算架構(gòu)在執(zhí)行 VMM 時(shí)，通常需要頻繁地在存儲(chǔ)器和處理器之間移動(dòng)數(shù)據(jù)，耗費(fèi)大量時(shí)間和能量。而憶阻器使得數(shù)據(jù)可以直接在存儲(chǔ)單元中完成計(jì)算，可以顯著提高效率。
然而，受材料特性和電子元件性能的限制，現(xiàn)有神經(jīng)形態(tài)硬件在計(jì)算精度、效率和復(fù)雜任務(wù)處理方面仍面臨許多挑戰(zhàn)，尤其在執(zhí)行信號(hào)處理、神經(jīng)網(wǎng)絡(luò)訓(xùn)練和自然語言處理等核心計(jì)算任務(wù)中。
在這項(xiàng)工作中，為了提升神經(jīng)形態(tài)計(jì)算的效率，他們利用先進(jìn)的納米技術(shù)和材料科學(xué)，構(gòu)建了迄今為止最大的 64×64 的分子憶阻器交叉陣列。這一設(shè)計(jì)不僅增加了系統(tǒng)的規(guī)模和復(fù)雜性，還能夠在單一步驟中直接執(zhí)行 VMM 運(yùn)算，徹底避免了傳統(tǒng)計(jì)算架構(gòu)中的數(shù)據(jù)移動(dòng)瓶頸。
他們表示，這一設(shè)計(jì)受人腦工作機(jī)制的啟發(fā)，利用分子在晶格中的自然運(yùn)動(dòng)處理和存儲(chǔ)信息。這種“分子游覽日記”式的運(yùn)作方式，為未來的數(shù)據(jù)中心、內(nèi)存密集型應(yīng)用以及在線游戲帶來了巨大的節(jié)能潛力。
圖｜線性和對(duì)稱性（a：64×64 的分子憶阻器交叉陣列的顯微圖像；b：一個(gè)交叉點(diǎn)在 50 個(gè)測(cè)量周期內(nèi)的模擬重量更新特征；c：2000 個(gè)不同電導(dǎo)水平和 10,002、10,003 的讀出值及其各自的分布；d：根據(jù)每個(gè)電導(dǎo)水平的 2000 個(gè)數(shù)據(jù)點(diǎn)計(jì)算出的不同電導(dǎo)水平的累積分布函數(shù)；e：所有 16520 個(gè)電導(dǎo)水平的 σn 和 ΔGn；f：所有電導(dǎo)水平均通過 500 mV 和 -500 mV 兩種不同幅度的脈沖讀�。�
研究發(fā)現(xiàn)，這種憶阻器展現(xiàn)出模擬權(quán)重更新的特性，通過施加不同幅度和持續(xù)時(shí)間的方波脈沖，實(shí)現(xiàn)了 16520 個(gè)獨(dú)特的模擬電導(dǎo)狀態(tài)，這些狀態(tài)覆蓋了從 200ns 到 5.9ms 的四個(gè)數(shù)量級(jí)范圍。
性能顛覆傳統(tǒng)硬件架構(gòu)
為了確保這種分子憶阻器的精度，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)超過 16 位精度的 CMOS 電路，并對(duì)交叉陣列的電導(dǎo)性能進(jìn)行了詳細(xì)驗(yàn)證。結(jié)果顯示，相鄰電導(dǎo)水平的誤差概率低于 10^-9，展現(xiàn)了優(yōu)異的低誤差率和高穩(wěn)定性。
在長(zhǎng)達(dá) 10^9 次操作后，該憶阻器的權(quán)重更新特性依然保持穩(wěn)定，且其模擬電導(dǎo)狀態(tài)表現(xiàn)出與生物突觸類似的尖峰時(shí)間依賴可塑性（STDP），為未來在神經(jīng)形態(tài)計(jì)算中的廣泛應(yīng)用提供了技術(shù)支撐。
為了進(jìn)一步研究分子憶阻器的工作機(jī)制，研究人員使用原位拉曼光譜技術(shù)揭示了其背后的分子電子動(dòng)力學(xué)。他們發(fā)現(xiàn)，電導(dǎo)水平的轉(zhuǎn)變是由兩種分子電子狀態(tài)之間的超分子電荷轉(zhuǎn)移驅(qū)動(dòng)的，這為控制憶阻器行為提供了科學(xué)依據(jù)。
實(shí)驗(yàn)中，基于這種憶阻器的 VMM 運(yùn)算成功實(shí)現(xiàn)了單步（one-step）離散傅里葉變換（DFT）。
圖｜VMM 的實(shí)現(xiàn)
實(shí)驗(yàn)結(jié)果顯示，基于這種新型分子憶阻器的 VMM 運(yùn)算獲得了 74 dB 的信噪比（SNR）和 76.5 dB 的峰值信噪比（PSNR），這比現(xiàn)有技術(shù)提高了 10^4 倍。
他們表示，這種新型分子憶阻器為執(zhí)行計(jì)算密集型任務(wù)提供了精確而高效的解決方案，尤其在人工神經(jīng)網(wǎng)絡(luò)、自動(dòng)編碼器和生成式對(duì)抗網(wǎng)絡(luò)（GAN）等領(lǐng)域的應(yīng)用前景廣闊。
不足與展望
盡管這項(xiàng)研究在神經(jīng)形態(tài)計(jì)算領(lǐng)域取得了顯著進(jìn)展，但距離實(shí)際應(yīng)用仍然面臨一些挑戰(zhàn)。
當(dāng)前的實(shí)驗(yàn)成果主要集中在較小規(guī)模的交叉陣列上，要將這項(xiàng)技術(shù)大規(guī)模應(yīng)用于實(shí)際計(jì)算設(shè)備，還需要進(jìn)一步擴(kuò)大陣列規(guī)模并實(shí)現(xiàn)芯片級(jí)集成。如何在更大規(guī)模下維持相同的精度和性能，是未來技術(shù)發(fā)展的關(guān)鍵難題。
盡管研究團(tuán)隊(duì)提出了能效優(yōu)化設(shè)計(jì)，但要真正達(dá)到實(shí)驗(yàn)中預(yù)測(cè)的能效提升，還需進(jìn)一步優(yōu)化外圍電路。此外，分子級(jí)憶阻器的制造工藝復(fù)雜，要實(shí)現(xiàn)大規(guī)模低成本生產(chǎn)，還有很長(zhǎng)的路要走。
盡管面臨這些局限，該研究依然展示出廣闊的應(yīng)用前景。
首先，這項(xiàng)技術(shù)在多種矩陣乘法中展現(xiàn)出一致的高精度，使其在信號(hào)處理、機(jī)器學(xué)習(xí)等領(lǐng)域具有廣泛的應(yīng)用潛力。尤其是在支持復(fù)雜的人工智能模型方面，如生成式對(duì)抗網(wǎng)絡(luò)（GAN）和 Transformer 等，這種新型憶阻器有望成為重要的加速器。
此外，這項(xiàng)技術(shù)在邊緣計(jì)算中的應(yīng)用前景尤其值得期待。憑借極高的能效，它可以推動(dòng)智能設(shè)備和物聯(lián)網(wǎng)中低功耗應(yīng)用的發(fā)展，尤其是在需要實(shí)時(shí)響應(yīng)的場(chǎng)景中，如自動(dòng)駕駛或智能醫(yī)療設(shè)備。
未來，隨著陣列規(guī)模的擴(kuò)大和能效的進(jìn)一步提升，這種分子憶阻器有望成為推動(dòng)神經(jīng)形態(tài)計(jì)算和人工智能發(fā)展的關(guān)鍵技術(shù)，為數(shù)據(jù)中心、邊緣計(jì)算設(shè)備和 AI 加速器提供更高效、更節(jié)能的計(jì)算解決方案。
