科學(xué)家成功研制首個(gè)存算一體通用模擬芯片

作為模擬人類大腦處理信息的計(jì)算技術(shù)，神經(jīng)形態(tài)計(jì)算被認(rèn)為是實(shí)現(xiàn)通用人工智能的重要方向之一。

它與傳統(tǒng)的計(jì)算技術(shù)相比，最主要的一個(gè)區(qū)別在于其擺脫馮·諾依曼架構(gòu)存算分離的枷鎖，追求人腦神經(jīng)元的高效整合形式，將數(shù)據(jù)存儲(chǔ)和處理的功能集中在相同的計(jì)算單元上，從而可以能效更高、性能更好、速度更快地進(jìn)行數(shù)據(jù)的處理，因此頗受人工智能領(lǐng)域的關(guān)注。其中，一種名為“憶阻器”的硬件元件是神經(jīng)形態(tài)計(jì)算實(shí)現(xiàn)的關(guān)鍵。簡(jiǎn)單來(lái)說(shuō)，憶阻器即同時(shí)兼?zhèn)溆洃浐?a target="_blank">電阻的功能。

尤其是在人工智能算法的運(yùn)行過(guò)程中，一旦將數(shù)據(jù)存入硬盤而不是系統(tǒng)內(nèi)存中，計(jì)算速度就會(huì)成百倍地降低，電源消耗也會(huì)成百倍地增長(zhǎng)。即使所有數(shù)據(jù)都能夠存儲(chǔ)在內(nèi)存中，現(xiàn)有的中央處理芯片也需要從內(nèi)存中讀取數(shù)據(jù)，但是數(shù)據(jù)在內(nèi)存和中央處理器之間的來(lái)回存取過(guò)程，會(huì)消耗大量的時(shí)間和電力能源。

針對(duì)這一問(wèn)題，諸多的芯片公司、初創(chuàng)公司和科學(xué)家們投入了大量的時(shí)間和資金，來(lái)研究如何將計(jì)算機(jī)中的運(yùn)算從中央處理器轉(zhuǎn)入內(nèi)存中進(jìn)行，這種方法也被稱為存算一體化。這一方式不僅可以提升計(jì)算速度，也可以減少計(jì)算功耗。

存算一體架構(gòu)對(duì)于需要處理大量數(shù)據(jù)的應(yīng)用場(chǎng)景如 AI 非常有吸引力，理想的存算一體架構(gòu)能把整個(gè) AI 模型存在芯片上并直接在存儲(chǔ)單元上運(yùn)行。這樣可以徹底舍棄外置存儲(chǔ)單元如 DRAM，以極大地提高芯片的功耗比和處理量?，F(xiàn)有和正在研發(fā)的解決方案大概有以下幾種：

1. 使用現(xiàn)有的存儲(chǔ)技術(shù)比如 SRAM，這種方案比較成熟，被很多初創(chuàng)公司和科研機(jī)構(gòu)所采用。但是，由于 SRAM 密度和功耗的限制，它只能用在很小的“玩具模型（toy model）”上。大的模型還需要將參數(shù)儲(chǔ)存在外置的 DRAM 上，整個(gè)系統(tǒng)的功耗比會(huì)因此迅速下降。

2. 新型的非易失性存儲(chǔ)器（non-volatile memory， NVM）比如 RRAM、STT-MRAM，這個(gè)方向同樣有很多公司感興趣。這類嵌入式 NVM 有希望實(shí)現(xiàn)整個(gè)模型的片上存儲(chǔ)，但其局限是，模型的運(yùn)算還需要通過(guò)中央處理器 CPU，并不能徹底解決數(shù)據(jù)傳輸比如總線的堵塞問(wèn)題。

3. 真正意義上的存算一體結(jié)構(gòu)會(huì)盡量避免使用 CPU，而通過(guò)嵌入的 NVM 直接做運(yùn)算。其中的困難在于，怎么解決使用存儲(chǔ)單元做運(yùn)算帶來(lái)的模擬信號(hào)的誤差問(wèn)題，以及怎么實(shí)現(xiàn)足夠精度和高效的模擬/數(shù)字信號(hào)轉(zhuǎn)換。

在人工智能和深度學(xué)習(xí)算法中， 核心運(yùn)算主要是大量的向量-矩陣乘法（Vector-Matrix Multiplication, VMM）。由于基于憶阻器陣列的芯片使用了模擬電路而非數(shù)字電路，使得其對(duì)于 VMM 的計(jì)算是非常高效的，并且已經(jīng)在多項(xiàng)研究中顯示出在人工智能計(jì)算領(lǐng)域中的潛力。

而在通用性的驗(yàn)證上，團(tuán)隊(duì)使用憶阻器陣列芯片，實(shí)現(xiàn)了三種人工智能的算法。首先是稱為“感知器”（perceptron）的著名機(jī)器學(xué)習(xí)算法，該算法也是最為常見(jiàn)的用來(lái)進(jìn)行信息分類的機(jī)器學(xué)習(xí)算法之一。團(tuán)隊(duì)用這款芯片成功地實(shí)現(xiàn)了單層感知器的運(yùn)算，并將其用來(lái)識(shí)別希臘字母的有噪圖片。

這款芯片實(shí)現(xiàn)的另一種更復(fù)雜的算法是“稀疏編碼”（sparse coding）算法。這種算法通過(guò)比較神經(jīng)元來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)，剔除無(wú)效的神經(jīng)元，找出最優(yōu)的神經(jīng)元連接方式，進(jìn)而針對(duì)目標(biāo)找出最優(yōu)的神經(jīng)網(wǎng)絡(luò)，可以用來(lái)有效地進(jìn)行特征提取、數(shù)據(jù)壓縮以及數(shù)據(jù)分類等工作。

最后，這款芯片實(shí)現(xiàn)的是雙層神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)算法，用來(lái)識(shí)別和判斷乳房腫瘤圖像。神經(jīng)網(wǎng)絡(luò)中的第一層使用主成分分析方法，來(lái)自主識(shí)別圖像中的特征，第二層使用感知器來(lái)進(jìn)一步判斷圖像中的腫瘤是否是惡性的。這種算法在這款芯片上運(yùn)行的準(zhǔn)確率可以高達(dá) 94.6%，這一結(jié)果已經(jīng)非常接近在傳統(tǒng)芯片上運(yùn)行得到的 96.8% 的準(zhǔn)確率。這一細(xì)微差距，主要是憶阻器元件在分類邊界上的電荷不確定性造成的。

當(dāng)然，這款憶阻器芯片仍有很大的優(yōu)化和提升空間。IEEE Spectrum 稱，他們?cè)谛酒惺褂昧?40 年前的 180 納米的晶體管，而如果使用 2008 年 40 納米的晶體管技術(shù)， 就可以將功耗繼續(xù)降低至 42 毫瓦，并可將計(jì)算效率提高至每秒每瓦特 1.37 萬(wàn)億次運(yùn)算。相較而言，英偉達(dá)的最新人工智能芯片使用的是更為先進(jìn)的 2014 年的晶體管制造工藝。