在軟件和硅中復(fù)制人腦是人工智能（AI）研究的長期目標。雖然神經(jīng)形態(tài)芯片在能夠同時運行多個計算方面取得了重大進展，并且既能計算也能存儲數(shù)據(jù)，但它們還遠未達到模擬大腦的能源效率。

人工智能計算是非常耗能的，但所消耗的能量大部分不是計算本身。能量密集型部分是在AI芯片內(nèi)的內(nèi)存和計算單元之間移動數(shù)據(jù)。為了解決這個問題，一組研究人員開發(fā)了一種新的內(nèi)存計算（CIM）芯片原型，消除了這種分離的需要。他們在8月17日發(fā)表在《自然》雜志上的論文中聲稱，其原型展示了現(xiàn)有人工智能平臺效率的兩倍。之所以稱為NeuRRAM，是因為它使用一種稱為電阻式隨機存取存儲器（RRAM）的RAM，這種48核RRAM-CIM硬件支持多種神經(jīng)網(wǎng)絡(luò)模型和架構(gòu)。

該論文的第一作者、斯坦福大學(xué)研究員Weier Wan表示，與傳統(tǒng)內(nèi)存相比，RRAM有很多優(yōu)點。其中之一是在同一硅片區(qū)域內(nèi)具有更高的容量，從而可以實現(xiàn)更大的AI模型。它也是非易失性的，意味著沒有電源泄漏。他補充說，這使得基于RRAM的芯片成為邊緣工作負載的理想選擇。研究人員設(shè)想，NeuRRAM芯片可以在低功耗的邊緣設(shè)備上有效地處理一系列復(fù)雜的人工智能應(yīng)用，而不依賴于與云的網(wǎng)絡(luò)連接。

為了設(shè)計NeuRRAM，團隊必須權(quán)衡效率、多功能性和準確性，而不犧牲其中任何一項。Wan說：“主要創(chuàng)新是我們使用了一種新型的模數(shù)轉(zhuǎn)換方案，因為這被認為是CIM芯片能源效率的主要瓶頸。我們發(fā)明了一種新的方案，它是基于感應(yīng)電壓，而以前的方案是基于感應(yīng)電流。電壓模式感應(yīng)還允許在單個計算周期內(nèi)提高RRAM陣列的并行性?！?/p>

他們還探索了一些新的體系結(jié)構(gòu)，如可轉(zhuǎn)置神經(jīng)突觸陣列（TNSA），以靈活地控制數(shù)據(jù)流方向。Wan解釋道：“為了精確性，關(guān)鍵是算法和硬件協(xié)同設(shè)計。這基本上允許我們直接在這些AI模型中建模硬件特征?！边@反過來又允許算法適應(yīng)硬件非理想性并保持精確性。換言之，Wan總結(jié)道，他們優(yōu)化了整個堆棧，從設(shè)備到電路，從架構(gòu)到算法，設(shè)計出一款高效、通用、準確的芯片。

加州大學(xué)圣地亞哥分校研究員Gert Cauwenberghs是這篇論文的合著者之一，他說：“內(nèi)存計算的大多數(shù)進展都局限于軟件級的演示，基本上是使用一系列突觸。但在這里，我們將其放在堆棧的水平層。”

NeuRRAM在手寫數(shù)字識別任務(wù)中實現(xiàn)了99%的準確率，在圖像分類任務(wù)中達到了85.7%，在谷歌語音命令識別任務(wù)中達到84.7%，在圖像恢復(fù)任務(wù)中，圖像重建錯誤減少了70%。研究人員總結(jié)道：“這些結(jié)果可以與現(xiàn)有的數(shù)字芯片相媲美，這些數(shù)字芯片在相同的比特精度下進行計算，但可以大幅節(jié)省能源?！?/p>

將NeuRRAM與Intel的Loihi 2神經(jīng)形態(tài)芯片（800萬神經(jīng)元Pohoiki Beach系統(tǒng)的組成部分）進行比較，研究人員表示，他們的芯片具有更好的效率和密度。圣母大學(xué)（University of Notre Dame）另一位合著者兼研究員Siddharth Joshi補充道：“基本上，Loihi是一個標準的數(shù)字處理器，帶有SRAM庫和特定的可編程ISA（指令集）架構(gòu)。它們使用了一種更為von Neumann–ish式的架構(gòu)，而我們的計算是在位線本身上進行的。”

最近的研究還認為，包括Loihi在內(nèi)的神經(jīng)形態(tài)芯片可能具有比AI更廣泛的應(yīng)用范圍，包括醫(yī)療和經(jīng)濟分析，以及量子計算需求。NeuRRAM的制造商同意這一觀點，認為內(nèi)存計算架構(gòu)是未來的發(fā)展方向。Cauwenberghs補充道，NeuRRAM的可擴展性在架構(gòu)方面表現(xiàn)得很好，“因為我們有這個并行的核心陣列，每個核心獨立進行計算，這就是我們?nèi)绾螌崿F(xiàn)具有任意連接的大型網(wǎng)絡(luò)的方法。”

研究人員表示，現(xiàn)在考慮商業(yè)化還為時過早。雖然他們認為芯片的高效硬件實現(xiàn)與內(nèi)存計算是一個成功的組合，但廣泛采用仍將取決于降低能效基準。

“我們正在繼續(xù)努力整合學(xué)習(xí)規(guī)則，”Cauwenberghs報告說，“這樣未來的版本將能夠通過RRAM技術(shù)的進步進行循環(huán)學(xué)習(xí)，從而實現(xiàn)大規(guī)模的增量學(xué)習(xí)或產(chǎn)品學(xué)習(xí)。”Wan還補充道，為了實現(xiàn)商業(yè)化，RRAM技術(shù)必須更容易為芯片設(shè)計者所用。