希望加快速度人工智能而且神经形态计算为了降低功耗，创业公司、科学家和成熟的芯片公司都在寻求在内存中而不是在处理器的计算核心中进行更多的计算。记忆电阻器而其他非易失性存储器似乎在这个任务中表现得特别好。然而，大多数内存计算的演示都是在独立的加速器芯片上进行的，这些加速器芯片要么是为特定类型的AI问题而构建的，要么需要独立处理器的片外资源才能运行。密歇根大学的工程师们声称第一台基于忆阻器的可编程计算机可以独立工作的人工智能。
“内存真的是瓶颈，”密歇根大学教授说魏路．“机器学习模型越来越大，而我们没有足够的芯片内存来存储权重。”从芯片外获取数据，比如DRAM，可能需要100倍的计算时间和精力。他说，即使你确实在芯片存储器中存储了所需的一切，将其来回移动到计算核心也需要太多的时间和精力。“相反，你在内存中进行计算。”
他的实验室一直在研究忆阻器(也称为阻性RAM或RRAM)该技术已经有十多年的历史，并展示了它们高效执行人工智能计算(如深度学习核心的乘法和累加运算)的潜力机制。忆阻器阵列可以有效地完成这些任务，因为它们变成模拟计算而不是数字计算。
新芯片结合了一个由5832个忆阻器组成的阵列OpenRISC处理器。486个特别设计的数模转换器，162个模数转换器，以及两个混合信号接口充当忆阻器模拟计算和主处理器之间的转换器。
“所有的功能都在芯片上实现，”IEEE Fellow Lu说。“为了展示前景，你不能只建造单个部件。”
在最高频率下，芯片消耗超过300毫瓦，同时每秒每瓦执行1880亿次运算(GOPS/W)。这和，比如说，英伟达最新研究的AI加速器芯片每秒9.09万亿次/瓦特(TOPS/W)，尽管没有考虑从DRAM传输数据的能源成本和延迟。但是Lu指出，CMOS部分是使用已有20年历史的180纳米半导体制造工艺制造的。将其转移到更新的工艺，如2008年时代的40纳米技术，将功耗降低到42兆瓦，并将性能提高到1.37 TOPS/W，而无需从DRAM传输数据。英伟达的芯片采用16纳米工艺，于2014年首次亮相。
密歇根大学的陆伟(Wei Lu)和他的合作者、电气工程博士生李承焕(Seung Hwan Lee)建造了一个可编程忆阻器阵列，李承焕拿在手里。图片:Robert Coelius/密歇根工程通信与营销
Lu的团队对该芯片进行了三项测试，以证明其可编程性和处理各种机器学习任务的能力。最直接的一种被称为感知器，用于对信息进行分类。为了完成这项任务，记忆电阻器计算机必须识别希腊字母，即使它们的图像有噪声。
第二个，也是更困难的任务是稀疏编码问题。在稀疏编码中，你试图构建最有效的人工神经元网络，以完成工作。这意味着当网络学习它的任务时，它让神经元相互竞争在网络中的位置。失败者会被切除，留下一个更像大脑、更高效的神经网络，只有绝对需要的连接。路了基于忆阻器的稀疏编码2017年在一个更小的阵列上。
最后一个任务是一个双层神经网络，能够进行所谓的无监督学习。给芯片的不是一组有标签的图像来学习，而是一堆乳房x光检查的分数。神经网络首先计算出评分组合的重要特征，然后区分恶性肿瘤和良性肿瘤，准确率为94.6%。
卢说，下一个版本的芯片将在明年完成，它将拥有更快、更高效的CMOS和多个忆阻器阵列。他说:“我们将使用多个阵列来证明你可以把它们连接在一起，形成更大的网络。”
卢成立了一家名为MemryX目的是将芯片商业化。他之前的RRAM公司，横梁阿里巴巴也在进军人工智能领域。去年Crossbar与航空芯片制造商Microsemi达成协议，并演示了一款芯片有人脸识别和车牌识别功能。
