對於攻克「卡脖子」關鍵核心技術，這類憶阻器存算一體晶片具有正面的意義。
清華大學官方微博於10月9日發布了一項重要成果，該校成功開發全球首顆支援片上學習憶阻器存算一體晶片
近日，清華大學的吳華強教授和高濱副教授在憶阻器存算一體晶片領域取得了重大突破。他們基於存算一體運算範式，成功開發出了支援片上學習的晶片。這項研究成果已經發表在最新一期的國際科學期刊《科學》雜誌上
根據清華大學的介紹，記憶電阻器（Memristor）是繼電阻、電容、電感之後的第四種電路基本元件。它可以在斷電之後，仍能夠「記憶」通過的電荷，因此可以成為一種新型的奈米電子突觸裝置
自2012年以來，清華大學錢鶴、吳華強團隊一直在從憶阻裝置、原型晶片再到系統整合進行協同攻關，逐步解決了AI算力瓶頸的難題，他們的新研究在一定程度上攻克了關鍵核心技術上的「卡脖子」問題
論文《Edge learning using a fully integrated neuro-inspired memristor chip》如下。
請點擊以下連結查看論文：https://www.science.org/doi/full/10.1126/science.ade3483
#研究概覽是指對某個研究領域的整體了解和概述。它通常包括對該領域的歷史背景、研究目的、方法和結果的簡要介紹。研究概覽的目的是幫助讀者快速了解該領域的基本情況，為進一步深入研究提供基礎。研究概覽通常是研究論文、報告或學術文章中出現的一部分，可以幫助讀者對研究內容有一個整體的掌握。透過閱讀研究概覽，讀者可以了解到該領域的重要研究進展和現有的知識空白，從而為自己的研究提供參考和啟示
我們知道，基於憶阻器的計算技術近來受到了極大的關注，該技術有可能克服傳統運算架構所謂的「馮諾依曼瓶頸」。憶阻器特別的地方在於可以為各種邊緣智慧應用實現即時的、高能效的片上學習，即使完全片上學習的實現仍然具有挑戰性。
使用神經啟發憶阻器晶片的邊緣學習的示意圖如下。圖1展示了人類大腦具備的改進學習能力。圖2展示了基於憶阻器的神經啟發計算晶片的設計與未來應用。這種晶片被設計為完全片上學習，將所有必要的模組與憶阻器陣列整合在一起，使得邊緣AI設備具備了學習能力，能夠快速適應新的場景
為了解決相關問題，清華大學積體電路學院的張文彬博士生和姚鵬博士後提出了一種名為基於憶阻器特徵符號和閾值的學習架構（STELLAR）的解決方案，並成功製作了一個全系統整合晶片。該晶片包括多個憶阻器陣列以及支援完整片上學習所需的所有必要互補金屬氧化物半導體半導體電路
下圖2 為用於片上學習的憶阻器特徵架構設計，A 為憶阻器晶片中使用的STELLAR 架構，B 和C 為分類準確率的比較，D 為具有差分電導對（左）以及1T1R（中）和2T2R（右）配置的權重，E 為循環並聯電導調整方案。
下圖3 為用於片上學習的憶阻器晶片，A 為架構概覽，B 為晶片的光學顯微鏡影像，C 為2T2R cell 的橫截面透射電子顯微鏡影像。
研究者展示了在各種任務上的端到端片上改進學習，例如運動控制、圖像分類和語音識別，實現了媲美軟體的準確率和較低的硬體成本。該工作標誌著存內運算領域邁出了重要一步。
下圖4展示了憶阻器晶片改進學習的範例。 A展示了運動控制任務及其控制系統，B展示了光追車新樣本的學習，F展示了影像分類任務中新類別的學習
我們來看以下幾個動圖示範。
首先，我們要討論的是手寫數字的新類別學習任務
#此外可以在運動控制領域改進學習。如下所示，在改進學習之前，向前移動的藍車往往會錯過目標紅車。
在學習改進後，向前移動的藍車會先進行一個向後倒的動作來進行調整，最終繼續向前駛向目標紅車
不僅如此，在明亮場景下沒有改進學習之前，藍車往往會在追隨過程中偏離目標紅車。
在明亮場景下有了改進學習之後，藍車很好地適應調整，並且始終追隨目標紅車。
張文彬、姚鵬作為學術論文的共同第一作者，博士期間接觸了大量如半導體、微電子、軟體演算法和類腦計算等不同方向的科研知識，累積了豐碩的研發成果和豐富的工程建設經驗。
參考通報：
#需要重新改寫的內容是：https:// mp.weixin.qq.com/s/w0VZNIQ1KbClJJ8c05hPqg
以上是清華大學研發的全球首片學習憶阻器存算一體晶片在Science雜誌上發表的詳細內容。更多資訊請關注PHP中文網其他相關文章！
