憶阻器解決人工智能的用電問題

所有智能計算只消耗1/800的能量。

模仿神經元間突觸的憶阻器件可以作為神經網絡的硬件，幫助神經網絡復制大腦學習的方式。現在，兩項新的研究也許能夠幫助解決這些組件在生產、可靠性以及獲取更廣泛應用方面的關鍵問題。

在電源關閉后，憶阻器和相關的憶阻器件能夠記住切換的電氣狀態。它們可以用于計算和存儲數據，大大減少在處理器和內存之間來回傳輸數據所消耗的能量和時間。這種腦啟發式硬件又稱神經形態硬件，也許還能夠成為實現神經網絡的理想選擇，比如將人工智能（AI）系統用于醫學數據分析和自動駕駛車輛導航等應用。

目前的憶阻器件存在成品率低和性能不可靠的問題。為了幫助克服這些挑戰，以色列和中國的研究人員通過在標準互補金屬氧化物半導體（CMOS）生產線上制造憶阻器件，實現了這一目標，達到了100%的成品率。他們制成的硅突觸處理乘法累加運算（神經網絡中最基本的功能）的能效是高性能英偉達Tesla V100圖形處理單元的350倍。

科學家開發新器件使用的是商業閃存中的浮柵晶體管技術。傳統的浮柵晶體管有3個端子，而新器件只有2個端子，這大大簡化了生產和操作流程，縮小了器件尺寸。此外，該研究的資深作者、以色列理工學院電氣與計算機工程副教授沙哈爾?科瓦丁斯基（Shahar Kvatinsky）說，這些器件只有二進制輸入和輸出，不需要神經形態硬件中常用的大型高耗能模數轉換器和數模轉換器。

新器件能夠承受電壓脈沖超過10萬次的編程和擦除，而且它們只顯示出適度的器件差異，預計能保存數據10年以上。

研究人員采用約由150個組件組成的陣列，僅使用二進制信號，實現了一種神經網絡。在試驗中，它識別手寫數字的準確率達到約97%。科瓦丁斯基說，這項工作“只是一個開始，是概念證明，還不是一個完整的芯片或大型神經網絡。集成和擴展將是一項重大挑戰。”

在另一項研究中，法國的一組研究人員使用憶阻器進行貝葉斯推理，在這種技術中，先驗知識幫助計算某一不確定選擇為正確的概率。許多人工智能計算都是幾乎無法理解的，但法國的系統卻可以充分解釋，這意味著，人們可以用它提出改進方法。它可以結合專家知識，即使沒有可用數據，也能表現很好。即便如此，“如何使用憶阻器來計算貝葉斯推理仍不明顯。”該研究的合著者、巴黎-薩克雷大學和法國國家科學研究中心的研究科學家達米恩?克雷奧茲（Damien Querlioz）說。

使用傳統電子設備執行貝葉斯推理需要復雜的記憶模式，“這會隨著觀察次數的增加呈指數級增長。”未參加這兩項研究的蘇黎世神經信息學研究所神經形態學科學家梅里卡?佩凡德（Melika Payvand）說。不過，她指出，克雷奧茲和他的同事“找到了一種簡化方法”。

科學家改寫了貝葉斯方程式，使憶阻器陣列能夠對隨機性進行統計分析，也稱為隨機計算。使用這種方法，陣列在時鐘嘀嗒聲中生成半隨機比特流。這些比特通常是0，但有時是1。0與1的比例編碼成為陣列執行統計計算所需的概率。與非隨機方法相比，這種數字方法使用相對簡單的電路，這些策略縮小了系統的體積并降低了能量需求。

研究人員制作的原型電路在同一芯片的30 080個互補金屬氧化物半導體晶體管上結合了2048個氧化鉿憶阻器。在試驗中，新電路利用戴在手腕上的設備所發出的信號來識別人的手寫簽名。

通常認為，使用傳統電子設備進行貝葉斯推理的計算成本很高。新電路只需傳統計算機處理器1/800到1/5000的能量，即可進行手寫識別。這表明，“憶阻器在實現低能耗人工智能方面極有希望。”克雷奧茲說。

新的器件還可以立即打開和關閉，這意味著，為了節省電力，可以只在需要時調用它。研究人員還說，它對隨機事件也有容錯性，這使它在極端環境中很有用。總而言之，新電路“擅長應用在對安全性要求極高的場景，這種場景中存在高度的不確定性，可用數據很少，需要作出可解釋的決定。”克雷奧茲說，“例如醫用傳感器或工業設施安全監測電路。”

貝葉斯系統面臨的一個關鍵障礙是如何擴大規模，處理更大的問題或網絡。克雷奧茲指出，該團隊現在正在規模化制造該器件。他表示，他們的電路目前專門用于特定類型的貝葉斯計算，他們希望未來的設計能夠擁有更強適應性。

這兩項研究都發表在2022年12月19日的《自然?電子學》雜志上。