忆阻器以1/800的功率运行AI任务

模仿神经元连接的记忆装置突触可以作为复制大脑学习方式的神经网络的硬件。现在，两项新的研究可能有助于解决这些组件面临的关键问题，不仅是产量和可靠性，而且还可以在神经网络之外找到应用。

记忆电阻器或记忆电阻器，本质上是一种开关，可以在电源关闭后记住它们被切换到哪个电状态。全世界的科学家都致力于利用忆阻器和类似的元件来制造电子元件，使之像神经元一样，既能计算又能存储数据。这些记忆装置可以大大减少传统微芯片在处理器和存储器之间来回传输数据所损失的能量和时间。这种大脑启发的神经形态硬件也可能被证明是理想的实现方式神经网络-人工智能系统越来越多地应用于分析医疗扫描和增强自动驾驶汽车。

然而，目前的记忆器件通常依赖于低产量和不可靠的电子性能的新兴技术。为了克服这些挑战，以色列和中国的研究人员使用标准CMOS生产线制造了记忆器件。该团队制造的硅突触的产量为100%，能源效率比高性能的英伟达特斯拉V100图形处理单元高出170至350倍multiply-accumulate操作，这是神经网络中最基本的运算。

“忆阻器是提供低能耗人工智能的极有前途的先导。”网上亚博Ayabo2016
-Damien Querlioz, Université Paris-Saclay

科学家们使用商用闪存中使用的浮栅晶体管技术开发了这种新设备。传统的浮栅晶体管有三个端子，而新器件只有两个。这大大简化了制造和操作，减小了尺寸。此外，该研究的资深作者、海法以色列理工学院电气和计算机工程副教授Shahar Kvatinsky说，记忆电阻器只有二进制输入和输出，不需要神经形态硬件中经常使用的大型、耗能的模拟到数字和数字到模拟转换器。

新设备显示出高续航能力，通过使用电压脉冲编程和擦除超过10万次循环。此外，它们只显示出中等程度的设备之间的差异，预计将拥有超过10年的长数据保留时间。

研究人员使用大约150个这样的组件来实现一种只使用二进制信号的神经网络。在实验中，它识别手写数字的准确率约为97%。Kvatinsky说这项工作“只是一个开始——一个概念的证明，而不是一个完整的集成芯片或一个大型的神经网络。整合和扩大规模是一个重大挑战。”

在另一项研究中，一组法国研究人员研究了在统计计算技术中使用忆阻器贝叶斯推理在这种情况下，先验知识有助于计算一个不确定的选择可能是正确的几率。它的结果是完全可以解释的——不像许多研究那样几乎不可思议的人工智能计算而且在可用数据很少的情况下，它也能表现良好，因为它可以结合先前的专家知识。然而，“如何用忆电阻器计算贝叶斯推理并不明显，”研究合著者、法国国家科学研究中心Université Paris-Saclay的研究科学家Damien Querlioz说。

使用传统电子技术实现贝叶斯推理需要复杂的记忆模式，“这种模式会随着观察次数的增加而呈指数级增长，”麻省理工学院的神经形态科学家Melika Payvand说神经信息学研究所他们没有参加这两项研究。然而，Querlioz和他的同事“找到了一种简化的方法，”她指出。

忆阻器AI“在存在高度不确定性、可用数据很少、需要解释决策的安全关键情况下表现出色。”
-Damien Querlioz, Université Paris-Saclay

科学家们重写了贝叶斯方程，这样忆阻器阵列就可以利用随机性进行统计分析。”随机计算“使用这种方法，该阵列在时钟的每个滴答声中生成半随机比特流。这些位通常是0，但有时是1。0与1的比例编码了数组执行统计计算所需的概率。与非随机方法相比，这种数字策略使用相对简单的电路，所有这些都减少了系统的规模和能量需求。

研究人员在同一芯片上制作了一个原型电路，在30080个CMOS晶体管上集成了2048个氧化铪忆阻器。在实验中，他们让新电路从手腕上佩戴的设备发出的信号中识别出一个人的手写签名。

贝叶斯推理通常被认为是传统电子计算的昂贵。Querlioz说，这种新电路使用传统计算机处理器的1/800到1/ 5000的能量进行手写识别，这表明“忆电阻器是提供低能耗人工智能的极有前途的方向”。网上亚博Ayabo2016

这种新设备还可以瞬间开关，这意味着它只能在需要时工作，以节省电力。此外，研究人员说，它对随机事件的错误也有弹性，这使得它在极端环境中很有用。总而言之，新电路“在安全关键的情况下表现出色，在这种情况下存在高度的不确定性，可用的数据很少，并且需要解释的决定，”Querlioz说。例如用于监测工业设施安全的医疗传感器或电路。亚博排列五投注网站”

Payvand说，贝叶斯电路的未来方向可能包括收集多种类型感官数据的机器，其中可能包括自动驾驶汽车或无人机。她指出，如果机器对基于一种感官做出的预测不自信，它可以通过分析来自另一种感官的数据来增强信心。

Payvand警告说，贝叶斯系统面临的一个关键障碍是“它们对更大问题或网络的可扩展性”。Querlioz指出，该团队已经设计了一个相当大的设备版本，“目前正在制造中”。他指出，他们的电路目前专门用于某些类型的贝叶斯计算，他们希望在未来创造更具适应性的设计。

在某种程度上，这两项研究都使用了随机性——querlioz和他的同事将其用于统计分析，而Kvatinsky和他的合作者则以随机间隔对神经网络数据进行采样，以避免在对数据进行有限次数采样时可能出现的各种错误。

惠普实验室的高级人工智能研究科学家Giacomo Pedretti说:“这些方法与忆阻器设备的遗传随机性非常匹配。”他没有参加这两项研究。他说，尝试利用这些电子产品中固有的噪声来产生可控的随机性，“而不是实现昂贵的数字伪随机数生成器”，这将是“非常有趣的”。

这两个研究发表在12月19日的杂志上电子性质．