对于攻克「卡脖子」关键核心技术，这类忆阻器存算一体芯片具有积极的意义。
清华大学官方微博于10月9日发布了一项重要成果，该校成功研制出全球首颗支持片上学习忆阻器存算一体芯片
近日，清华大学的吴华强教授和高滨副教授在忆阻器存算一体芯片领域取得了重大突破。他们基于存算一体计算范式，成功开发出了支持片上学习的芯片。这项研究成果已经发表在最新一期的国际科学期刊《科学》杂志上
根据清华大学的介绍，记忆电阻器（Memristor）是继电阻、电容、电感之后的第四种电路基本元件。它可以在断电之后，仍能够“记忆”通过的电荷，因此可以成为一种新型的纳米电子突触器件
自2012年以来，清华大学钱鹤、吴华强团队一直在从忆阻器件、原型芯片再到系统集成方面进行协同攻关，逐步解决了AI算力瓶颈的难题，他们的新研究在一定程度上攻克了关键核心技术上的“卡脖子”问题
论文《Edge learning using a fully integrated neuro-inspired memristor chip》如下。
请点击以下链接查看论文：https://www.science.org/doi/full/10.1126/science.ade3483
研究概览是指对某个研究领域的总体了解和概述。它通常包括对该领域的历史背景、研究目的、方法和结果的简要介绍。研究概览的目的是帮助读者快速了解该领域的基本情况，为进一步深入研究提供基础。研究概览通常是在研究论文、报告或学术文章中出现的一部分，可以帮助读者对研究内容有一个整体的把握。通过阅读研究概览，读者可以了解到该领域的重要研究进展和现有的知识空白，从而为自己的研究提供参考和启示
我们知道，基于忆阻器的计算技术近来受到了极大的关注，该技术有可能克服传统计算架构所谓的「冯诺依曼瓶颈」。忆阻器特别的地方在于可以为各种边缘智能应用实现实时的、高能效的片上学习，即使完全片上学习的实现仍然具有挑战性。
使用神经启发忆阻器芯片的边缘学习的示意图如下所示。图1展示了人类大脑具备的改进学习能力。图2展示了基于忆阻器的神经启发计算芯片的设计和未来应用。这种芯片被设计为完全片上学习，将所有必要的模块与忆阻器阵列集成在一起，使得边缘AI设备具备了学习能力，能够快速适应新的场景
为了解决相关问题，清华大学集成电路学院的张文彬博士生和姚鹏博士后提出了一种名为基于忆阻器特征符号和阈值的学习架构（STELLAR）的解决方案，并成功制作了一个全系统集成芯片。该芯片包括多个忆阻器阵列以及支持完整片上学习所需的所有必要互补金属氧化物半导体外围电路
下图 2 为用于片上学习的忆阻器特征架构设计，A 为忆阻器芯片中使用的 STELLAR 架构，B 和 C 为分类准确率的比较，D 为具有差分电导对（左）以及 1T1R（中）和 2T2R（右）配置的权重，E 为循环并联电导调整方案。
下图 3 为用于片上学习的忆阻器芯片，A 为架构概览，B 为芯片的光学显微镜图像，C 为 2T2R cell 的横截面透射电子显微镜图像。
研究者展示了在各种任务上的端到端片上改进学习，比如运动控制、图像分类和语音识别，实现了媲美软件的准确率和较低的硬件成本。该工作标志着存内计算领域迈出了重要一步。
下图4展示了忆阻器芯片改进学习的示例。A展示了运动控制任务及其控制系统，B展示了光追车新样本的学习，F展示了图像分类任务中新类别的学习
我们来看以下几个动图演示。
首先，我们要讨论的是手写数字的新类别学习任务
此外可以在运动控制领域改进学习。如下所示，在改进学习之前，向前移动的蓝车往往会错过目标红车。
在学习改进后，向前移动的蓝车会先进行一个向后倒的动作来进行调整，最终继续向前驶向目标红车
不仅如此，在明亮场景下没有改进学习之前，蓝车往往会在追随过程中偏离目标红车。
在明亮场景下有了改进学习之后，蓝车很好地适应调整，始终追随目标红车。
张文彬、姚鹏作为学术论文的共同第一作者，博士期间接触了大量如半导体、微电子、软件算法和类脑计算等不同方向的科研知识，积累了丰硕的研发成果和丰富的工程建设经验。
研究团队合影。
参考报道：
需要重新改写的内容是：https://mp.weixin.qq.com/s/w0VZNIQ1KbClJJ8c05hPqg
以上是清华大学研发的全球首颗片上学习忆阻器存算一体芯片在Science杂志上发表的详细内容。更多信息请关注PHP中文网其他相关文章！
