全球研究人员齐聚“NeuRRAM”神经形态芯片

边缘人工智能计算的圣杯是一种同时提供高效率、高性能和多功能性的芯片。从历史上看，获得这三种架构对设计师来说是一个重大挑战，因此，许多人已经开始考虑新的计算架构。

其中一种新架构是内存计算，旨在消除数据移动瓶颈，以实现比传统数字处理单元更高的效率和更好的性能。本周，一组国际研究人员发表了一篇论文，描述了一种基于电阻随机存取存储器（RRAM）的新型内存计算芯片。

 

NeuRRAM神经形态芯片。图片由加州大学可持续发展学院提供

 

在本文中，我们将讨论用于内存计算（CIM）的RRAM，这些解决方案的历史缺点，以及该小组新的“NeuRRAM”神经形态芯片。

 

用于内存计算的电阻式RAM

在过去的30年里，设计师们一直在研究内存计算的概念，最近又研究了基于电阻RAM的内存计算。

RRAM CIM消除了von Neumann瓶颈，这是内存和计算分离的结果，而是将它们合并在一起。在该架构中，电阻RAM元件用于存储器存储，其中基于每个单元中RRAM材料的电阻状态来存储二进制数字。这里，施加电压可以使RRAM成为高电阻材料，代表数字1，反之亦然。读出存储器中的位是通过向RRAM单元施加电压并读出产生的电流来实现的，该电流将根据RRAM的状态而变化。

 

使用RRAM CIM单元进行乘法运算的示例。图片由SemiWiki提供

 

RRAM是一种非常节能、小型和非易失性的存储器。这种架构也非常适合人工智能计算，因为机器学习计算在很大程度上依赖于可以使用RRAM轻松实现的乘法和累加函数。由于感测电流能够读出RRAM结果，因此可以通过对结或一系列结中的电流求和来容易地将RRAM值相加和相乘。

 

RRAM CIM的不足

尽管RRAM CIM带来了好处，但这项技术的研发仍然充满了障碍。

首先，早期的大部分研究都集中在RRAM芯片上进行人工智能计算，但仍然依赖芯片外资源来执行其他基本功能，如模数转换和神经元激活。这不仅限制了系统性能，而且还扭曲了基准测试。从历史上看，结果是基于设备特性的软件仿真，这几乎总是乐观的。

除此之外，RRAM CIM设备在能效、多功能性和准确性之间存在固有的权衡。来自加州大学圣地亚哥分校、斯坦福大学、清华大学和圣母大学的一组研究人员表示，以前没有任何研究试图同时优化这三个标准。

 

NeuRRAM在效率、准确性和灵活性方面的突破

本周，来自加州大学圣迭戈分校、斯坦福大学、清华大学和圣母院的研究人员在《自然》杂志上发表了一份报告，描述了他们称之为NeuRRAM的RRAM CIM芯片。

据说NeuRRAM神经形态芯片采用了输出传感方法，实现了效率、准确性和灵活性的结合。与为输出读取电流的传统技术相比，NeuRRAM使用了一种神经元电路，该电路可以感应电压并在芯片上执行高效的模数转换。

 

CIM核心和NeuRRAM体系结构的框图。图片由Nature和Wan等人提供

 

该体系结构包括与RRAM位单元共存的CMOS神经元电路。NeuRRAM是一款神经形态人工智能芯片，由48个神经突触核心、256个CMOS神经元和65536个RRAM细胞组成，它们执行并行处理，并可以支持数据和模型并行。这允许将不同的模型层映射到不同的核心，以实现最大的通用性。

国际研究小组声称，该芯片可以实现比传统数字处理器低2.3倍的能量延迟积（EDP），同时还可以提供高达13倍的计算密度。据说NeuRRAM在手写数字识别方面的准确率为99%，在图像分类方面的准确度为85.7%，在语音识别方面的准确性为84.7%。

总之，这项研究表明，这种芯片与传统数字芯片的精度相匹配，但能耗显著降低，密度更高。研究人员在设计这种芯片时考虑到了边缘计算，他们声称NeuRRAM的低功耗和高性能可能会实现一类新的设备，而这些设备目前在现有技术下是不可行的。