清华制人工神经网络芯片，能效比GPU高两个数量级

　　传统的计算机将数据储存在内存中，然后传送到处理器运算。这种来回“搬运”数据的活动耗费能源和时间，被认为是冯·诺依曼计算架构的核心瓶颈。

　　而人类的大脑却并非如此，而是直接在记忆体里计算。被认为具有“存算一体”潜力的忆阻器，因而成为类脑计算领域的热门器件。

　　近日，清华大学微电子所、未来芯片技术高精尖创新中心钱鹤、吴华强团队与合作者在顶尖学术期刊、英国《自然》杂志(Nature)在线发表论文，报道了基于忆阻器阵列芯片卷积网络的完整硬件实现。

　　该存算一体系统在处理卷积神经网络(CNN)时能效比前沿的图形处理器芯片(GPU)高两个数量级，可以说在一定程度上突破了“冯诺依曼瓶颈”的限制：大幅提升算力的同时，实现了更小的功耗和更低的硬件成本。

　　什么是忆阻器?

　　忆阻器，全称记忆电阻器(Memristor)，是继电阻、电容、电感之后的第四种电路基本元件，表示磁通与电荷之间的关系，最早由加州大学伯克利分校教授蔡少棠在1971年预言存在，惠普公司在2008年研制成功。

　　简单来说，这种组件的的电阻会随着通过的电流量而改变，而且就算电流停止了，它的电阻仍然会停留在之前的值，直到接受到反向的电流它才会被推回去，等于说能“记住”之前的电流量。

　　这种奇妙的效果，其实和神经元突触有相仿之处。再加上忆阻器还具有尺寸小、操作功耗低、可大规模集成(三维集成)等优点，难怪计算机科学家们在忆阻器身上看到了存算一体、低能耗类脑计算的前景。

　　人工神经网络近年来大放异彩，如果用忆阻器连接成阵列，作为人工神经网络的硬件，会有什么效果?

　　忆阻器阵列

　　尽管国内外许多企业、研究机构给予关注，但据清华大学新闻页面报道，当前国际上的忆阻器研究还停留在简单网络结构的验证，或者基于少量器件数据进行的仿真。基于忆阻器阵列的完整硬件实现仍然有很多挑战。

　　比如，器件方面，需要制备高一致、可靠的阵列;系统方面，忆阻器因工作原理而存在固有缺陷(如器件间波动，器件电导卡滞，电导状态漂移等)，会导致计算准确率降低;架构方面，忆阻器阵列实现卷积功能需要以串行滑动的方式连续采样、计算多个输入块，无法匹配全连接结构的计算效率。

　　通过近年来积累的一些成果，钱鹤、吴华强团队逐渐优化材料和器件结构，制备出了高性能的忆阻器阵列。

　　2017年5月，该课题组就曾在《自然通讯》报告称，首次实现了基于1024个氧化物忆阻器阵列的类脑计算，将氧化物忆阻器的集成规模提高了一个数量级。这使芯片更加高效地完成人脸识别计算任务，将能耗降低到原来的千分之一以下。

　　忆阻器神经网络

　　这次，钱、吴团队集成了8个包括2048个忆阻器的阵列，以提高并行计算的效率。

　　在此基础上，他们构建了一个五层的卷积神经网络进行图像识别，获得了96%以上的高精度，结果显示，基于忆阻器的卷积神经网络比目前最先进的GPU的能效要高出两个数量级。

　　这样的提升是如何实现的?原来，为解决器件固有缺陷造成的系统识别准确率下降问题，他们提出了一种新型的混合训练算法，仅需用较少的图像样本训练神经网络，并微调了最后一层网络的部分权重。

　　与此同时，他们提出了空间并行的机制，将相同卷积核编程到多组忆阻器阵列中，各组忆阻器阵列可并行处理不同的卷积输入块，提高并行度来加速卷积计算。

　　随着摩尔定律放缓，计算界翘首以待新的架构突破冯诺依曼瓶颈，适应越来越复杂的AI问题。基于忆阻器的存算一体系统在这场角逐中稳步前进。