第一个可编程忆阻器计算机旨在将AI处理从云端带下来

第一个可编程忆阻器计算机 - 不仅仅是通过外部计算机操作的忆阻器阵列 - 已在密歇根大学开发。

它可能导致直接在小型，能量受限的设备(如智能手机和传感器)上处理人工智能。智能手机AI处理器意味着不再需要将语音命令发送到云端进行解释，从而加快响​​应时间。

“每个人都希望在智能手机上安装AI处理器，但你不希望你的手机电池耗电很快，”电子和计算机工程教授，自然电子研究的高级作者Wei Lu说。

在医疗设备中，在没有云的情况下运行AI算法的能力将实现更好的安全性和隐私性。

为什么忆阻器有利于机器学习

实现这一目标的关键可能是称为忆阻器的高级计算机组件。该电路元件是具有存储器的电阻器，具有可变电阻，可用作信息存储的形式。由于忆阻器在同一位置存储和处理信息，因此它们可以解决计算速度和功耗的最大瓶颈：内存和处理器之间的连接。

这对于处理大量数据的机器学习算法尤其重要，例如识别照片和视频中的对象，或预测哪些医院患者感染的风险较高。程序员已经喜欢在图形处理单元而不是计算机的主处理器(中央处理单元)上运行这些算法。

“ 就功率和吞吐量而言，GPU和非常定制和优化的数字电路被认为比CPU好10到100倍。” 陆说。“忆阻器AI处理器可能会再好10到100倍。”

GPU在机器学习任务中的表现更好，因为它们有数千个小核心可以同时运行计算，而不是等待CPU中少数强大核心之一的计算串。

忆阻器阵列更进一步。每个忆阻器都能够进行自己的计算，允许一次执行核心内的数千次操作。在这个实验规模的计算机中，有超过5,800个忆阻器。商业设计可能包括数百万。

魏璐与第一作者Seung Hwan Lee，一位电气工程博士生，拥有忆阻器阵列。图片来源：Robert Coelius，密歇根工程学院

忆阻器阵列特别适合机器学习问题。这样做的原因是机器学习算法将数据转换为向量的方式 - 本质上是数据点列表。例如，在预测患者在医院感染的风险时，该向量可能列出患者风险因素的数字表示。

然后，机器学习算法将这些“输入”向量与存储在存储器中的“特征”向量进行比较。这些特征向量代表数据的某些特征(例如潜在疾病的存在)。如果匹配，则系统知道输入数据具有该特征。矢量存储在矩阵中，类似于数学电子表格，这些矩阵可以直接映射到忆阻器阵列上。

更重要的是，当数据通过阵列馈送时，大部分数学处理通过忆阻器中的自然电阻发生，消除了将特征向量移入和移出存储器以执行计算的需要。这使得阵列在复杂的矩阵计算中非常有效。早期的研究证明了忆阻器阵列有可能加速机器学习，但它们需要外部计算元件才能运行。

构建可编程忆阻器计算机

为了构建第一台可编程忆阻器计算机，Lu的团队与UM的电子和计算机工程副教授张亚亚和Michael Flynn教授一起设计了一个芯片，可以将忆阻器阵列与编程和运行所需的所有其他元件集成在一起。它。这些组件包括传统的数字处理器和通信通道，以及数字/模拟转换器，用作模拟忆阻器阵列和计算机其余部分之间的解释器。

然后，Lu的团队将忆阻器阵列直接集成在UM的Lurie Nanofabrication Facility的芯片上。他们还开发了将机器学习算法映射到忆阻器阵列的矩阵结构上的软件。

该团队使用三种面包机器学习算法演示了该设备：

Perceptron，用于对信息进行分类。他们能够100%准确地识别出不完美的希腊字母

稀疏编码，压缩和分类数据，特别是图像。该计算机能够找到最有效的方式来重建一组具有100%的准确度和图像识别的模式

双层神经网络，旨在寻找复杂数据中的模式。这个双层网络在乳腺癌筛查数据中找到了共性和差异因素，然后将每个病例分类为恶性或良性，准确率为94.6%。

扩展商业用途存在挑战 - 忆阻器还不能像它们需要的那样完全相同，并且存储在阵列中的信息并不完全可靠，因为它运行在模拟的连续体而不是数字上。这些是陆氏集团的未来方向。

卢计划将这项技术商业化。该研究的标题是“完全集成的可重编程忆阻器-CMOS系统，用于高效的乘法累加运算。”