受人腦工作機理、計算方式等啟發，近年來，科學家們試圖借鑒人腦的物理結構和工作特點，讓計算機完成特定的計算任務。

不過，受制于傳統計算機架構瓶頸的限制，在目前的信息計算處理技術中，數據存儲和計算需要由存儲芯片和中央處理器分別來完成。數據在二者之間“搬運”處理，耗時長、功耗大，還隨時有可能“交通堵塞”。

計算機能不能像人腦一樣將存儲和計算合二為一，從而高速處理信息?

近日，清華大學微電子所、未來芯片技術高精尖創新中心研究團隊，與合作者共同研發出一款基于多個憶阻器陣列的存算一體系統，能夠高效地處理卷積神經網絡，能效比圖形處理器芯片高兩個數量級，有望大幅提升計算設備的算力，相關成果近日發表于《自然》雜志。

存算一體小功耗實現大算力

隨著人工智能應用對計算和存儲需求的不斷提升，集成電路芯片技術面臨諸多新挑戰。一方面，摩爾定律“漸行漸遠”，通過集成電路工藝微縮的方式獲得算力提升越來越難;另一方面，傳統架構中，計算與存儲在不同電路單元中完成，大量數據搬運會造成功耗增加和額外延遲。

“如果我們把居家生活比作存儲，把上班比作計算，每天上班路上會消耗時間、能量，遇到早晚高峰，通勤時間會更長。這個場景和信息處理有很多相似之處，如果存儲和計算合二為一，就相當于居家辦公一樣，能減少通勤時間也能節省體力消耗，可以用更小的功耗實現更大的算力，減少數據傳輸的延遲。”該團隊的研究成員之一、清華大學未來芯片技術高精尖創新中心教授吳華強說。

所以，如何實現計算存儲一體化、突破算力瓶頸，成為近年來國內外的科研熱點。

憶阻器，是繼電阻、電容、電感之后的第四種電路基本元件，這種元件的阻值是由流經它的電荷確定的。即使電流中斷，憶阻器的電阻仍然會停留在之前的數值，這意味著，就算是斷電了，這一部分的數據還可以保留。再加上憶阻器的尺寸小，可以大規模集成，功耗低，又適合做模擬計算，所以研究團隊認為，可以用憶阻器嘗試做存算一體、低能耗類腦計算。

但現實遠比理想骨感。憶阻器器件間波動、器件電導卡滯、電導狀態漂移等，會導致計算準確率降低，制備具有高一致性、高可靠性的多值憶阻器陣列很困難。

憶阻器性能好壞，很大程度上取決于材料的選擇與組合。在選擇材料時，團隊主要考慮所選材料的物理參數是否易調控、未來是否適合產業化。

出于這些考量，團隊在憶阻器常用的二氧化鉿材料上，添加了一層界面調控層。這個界面調控層是一種金屬氧化層材料，它的不同成分占比可以根據不同工藝精確控制。通過這種方法，可以比較有效地控制憶阻器中二氧化鉿部分的微觀變化，以及內部的溫度和電場。

“界面調控層就像一層口罩，不僅能隔絕病毒、灰塵，還能保暖、保濕。這種設計方式使器件具有非常優異的電學特性，而且可以在工廠里大規模生產。”該研究團隊的高濱副教授說。

或許會率先應用在人工智能領域

想讓憶阻器存算一體系統解決實際問題，需要在處理大量的計算任務中，克服器件、系統、算法等方面的瓶頸，卷積神經網絡是很好的“試金石”。

卷積神經網絡是一種重要的深度學習模型，借鑒了人腦處理視覺信息的方式，從算法角度，通過卷積、池化等操作，高效提取圖像、視頻等特征信息，在多種計算機視覺任務處理中取得了很好的效果。在傳統計算架構中，受限于存儲和計算分離的設計，實現卷積神經網絡模型會出現功耗高、延時長，無法滿足眾多生活場景中電池容量、實時操作等要求。

團隊認為，存算一體的憶阻器，可以用來實現卷積神經網絡等深度學習模型的高效處理，滿足日常應用對算力、功耗的要求。他們還提出了空間并行的機制，將相同卷積核編程到多組憶阻器陣列中，各組憶阻器陣列可并行處理不同的卷積輸入塊。他們集成了8個憶阻器處理單元，每個單元陣列包含2048個憶阻器件，用以提高并行計算的效率。該系統高效運行了卷積神經網絡算法，成功驗證了圖像識別功能，證明了存算一體架構全硬件實現的可行性。

吳華強說，憶阻器存算一體系統，或許會率先應用在人工智能領域，如果用基于憶阻器的存算一體芯片生產手機，那么芯片的算力幾乎可以讓手機掌握“讀心術”，“它能聽懂你的聲音，知道你喜歡哪些照片，會跟你越來越親近，變得越來越智能。”