電子發燒友網報道（文/李彎彎）近日，清華大學集成電路學院教授吳華強、副教授高濱團隊基于存算一體計算范式，研制出全球首顆全系統集成的、支持高效片上學習的憶阻器存算一體芯片，在支持片上學習的憶阻器存算一體芯片領域取得重大突破。

該芯片包含支持完整片上學習所必需的全部電路模塊，成功完成圖像分類、語音識別和控制任務等多種片上增量學習功能驗證，展示出高適應性、高能效、高通用性、高準確率等特點，有效強化智能設備在實際應用場景下的學習適應能力，有望促進人工智能、自動駕駛、可穿戴設備等領域的發展。

什么是憶阻器

憶阻器，全稱記憶電阻器(Memristor)。它是表示磁通與電荷關系的電路器件。憶阻具有電阻的量綱，但和電阻不同的是，憶阻的阻值是由流經它的電荷確定。因此，通過測定憶阻的阻值，便可知道流經它的電荷量，從而有記憶電荷的作用。

1971年，蔡少棠從邏輯和公理的觀點指出，自然界應該還存在一個電路元件，它表示磁通與電荷的關系。2008年，惠普公司的研究人員首次做出納米憶阻器件，掀起憶阻研究熱潮。納米憶阻器件的出現，有望實現非易失性隨機存儲器。并且，基于憶阻的隨機存儲器的集成度、功耗、讀寫速度都要比傳統的隨機存儲器優越。

此外，憶阻是硬件實現人工神經網絡突觸的最好方式。2012年，比勒菲爾德大學托馬斯博士及其同事制作出一種具有學習能力的憶阻器。2013年，安迪·托馬斯利用這種憶阻器作為人工大腦的關鍵部件，他的研究結果發表在《物理學學報D輯：應用物理學》雜志上。

安迪·托馬斯解釋說，因為憶阻器與突觸的這種相似性，使其成為制造人工大腦——從而打造出新一代電腦——的絕佳材料，“它使我們得以建造極為節能、耐用，同時能夠自學的處理器。”托馬斯的文章總結了自己的實驗結果，并借鑒其他生物學和物理學研究的成果，首次闡述了這種仿神經系統的電腦如何將自然現象轉化為技術系統，及其中應該遵循的幾個原則。這些原則包括，憶阻器應像突觸一樣，“注意”到之前的電子脈沖；而且只有當刺激脈沖超過一定的量時，神經元才會做出反應，憶阻器也是如此。

在國內，錢鶴、吳華強團隊2012年開始研究用憶阻器來做存儲，但由于憶阻器的材料器件優化和集成工藝不成熟，團隊只能靠自己在實驗室里摸索，在一次次失敗的實驗中探索提高器件的一致性和良率。兩年后，清華大學與中科院微電子所、北京大學等單位合作，優化憶阻器的器件工藝，制備出高性能憶阻器陣列，成為我國率先實現憶阻器陣列大規模集成的重要基礎。

基于憶阻器的新型存算一體架構

近些年，隨著人工智能應用對計算和存儲需求的不斷提升，集成電路芯片技術面臨諸多新挑戰。一方面，摩爾定律“漸行漸遠”，通過集成電路工藝微縮的方式獲得算力提升越來越難；另一方面，計算與存儲在不同電路單元中完成，會造成大量數據搬運的功耗，增加延遲。如何用計算存儲一體化突破AI算力瓶頸，成為近年來國內外的科研熱點。

過去很多年里，學術界和產業界探索了多種用于實現存算一體的硬件，憶阻器被認為是極具前景的器件之一。吳華強教授此前談到，基于憶阻器的新型存算一體架構，可以打破算力瓶頸，滿足人工智能等復雜任務對計算硬件的高需求。

不過，想讓憶阻器陣列實現芯片的功能，還需解決器件、系統、算法等方面的瓶頸。吳華強表示，憶阻器固有的非理想特性，例如器件間波動、器件電導卡滯、電導狀態漂移等，會導致計算準確率降低；此外，在架構方面，憶阻器陣列實現卷積功能需要以串行滑動的方式連續采樣、計算多個輸入塊，無法匹配全連接結構的計算效率。

從最新的研究成果來看，吳華強團隊似乎解決了這些困難。該團隊創新設計出適用于憶阻器存算一體的高效片上學習的新型通用算法和架構，研制出全球首顆全系統集成的、支持高效片上學習的憶阻器存算一體芯片。

相同任務下，該芯片實現片上學習的能耗僅為先進工藝下專用集成電路（ASIC）系統的3%，展現出卓越的能效優勢，極具滿足人工智能時代高算力需求的應用潛力，為突破馮·諾依曼傳統計算架構下的能效瓶頸提供了一種創新發展路徑。

吳華強介紹，存算一體片上學習在實現更低延遲和更低能耗的同時，能夠有效保護用戶隱私和數據。該芯片參照仿生類腦處理方式，可實現不同任務的快速“片上訓練”與“片上識別”，能夠有效完成邊緣計算場景下的增量學習任務，以極低的耗電適應新場景、學習新知識，滿足用戶的個性化需求。

小結

近幾年，人工智能技術的發展對算力的需求越來越高，同時傳統計算架構的瓶頸也越來越明顯，學術界和產業界都在積極探索新的發展模式來解決這一問題，存算一體技術憑借突出的能效比優勢脫穎而出。而在實現存算一體的各類器件中，憶阻器的先天優勢明顯。此次清華大學研制出支持片上學習的憶阻器存算一體芯片，意義重大。