有很多童鞋可能不知道憶阻器是什么？在開始今天的話題之前，雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))編輯先為大家普及下憶阻器是什么。

所謂憶阻器，全稱記憶電阻器（Memristor），是繼電阻、電容、電感之后的第四種電路基本元件，表示磁通與電荷之間的關(guān)系，這種組件的的電阻會隨著通過的電流量而改變，而且就算電流停止了，它的電阻仍然會停留在之前的值，直到接受到反向的電流它才會被推回去，等于說能“記住”之前的電流量。

簡言之，憶阻器（memristor）可以在斷電之后，仍能“記憶”通過的電荷，其所具備的這種特性與神經(jīng)突觸之間的相似性，使其具備獲得自主學習功能的潛力。因此，基于憶阻器的神經(jīng)形態(tài)計算系統(tǒng)能為神經(jīng)網(wǎng)絡(luò)訓練提供快速節(jié)能的方法，但是，圖像識別模型之一 的卷積神經(jīng)網(wǎng)絡(luò)還沒有利用憶阻器交叉陣列的完全硬件實現(xiàn)。

不過，最近雷鋒網(wǎng)了解到，清華大學微電子所、未來芯片技術(shù)高精尖創(chuàng)新中心錢鶴、吳華強教授團隊與合作者在《自然》在線發(fā)表了題為“ Fully hardware-implemented memristor convolutional neural network ”的研究論文，報道了基于憶阻器陣列芯片卷積網(wǎng)絡(luò)的完整硬件實現(xiàn)。

他們提出用高能效比、高性能的均勻憶阻器交叉陣列實現(xiàn) CNN，該實現(xiàn)共集成了 8個 PE ，每個 PE 包含2048 個單元的憶阻器陣列，以提升并行計算效率。此外，研究者還提出了一種高效的混合訓練方法，以適應(yīng)設(shè)備缺陷，改進整個系統(tǒng)的性能。研究者構(gòu)建了基于憶阻器的五層 CNN 來執(zhí)行 MNIST 圖像識別任務(wù)，識別準確率超過 96%。

除了使用不同卷積核對共享輸入執(zhí)行并行卷積外，憶阻器陣列還復制了多個相同卷積核，以并行處理不同的輸入。相較于當前最優(yōu)的圖形處理器（GPU），基于憶阻器的 CNN 神經(jīng)形態(tài)系統(tǒng)的能效要高出一個數(shù)量級，且實驗證明該系統(tǒng)可擴展至大型網(wǎng)絡(luò)，如殘差神經(jīng)網(wǎng)絡(luò)。該結(jié)果或可促進針對深度神經(jīng)網(wǎng)絡(luò)和邊緣計算提供基于憶阻器的非馮諾伊曼（non-von Neumann）硬件解決方案，在處理卷積神經(jīng)網(wǎng)絡(luò)（CNN）時的能效比圖形處理器芯片（GPU）高兩個數(shù)量級，大幅提升了計算設(shè)備的算力，成功實現(xiàn)了以更小的功耗和更低的硬件成本完成復雜的計算。

首個完全基于憶阻器的 CNN 硬件實現(xiàn)

據(jù)介紹，當前國際上的憶阻器研究還停留在簡單網(wǎng)絡(luò)結(jié)構(gòu)的驗證，或者基于少量器件數(shù)據(jù)進行的仿真。基于憶阻器陣列的完整硬件實現(xiàn)仍然有很多挑戰(zhàn)。

比如，器件方面，需要制備高一致、可靠的陣列；系統(tǒng)方面，憶阻器因工作原理而存在固有缺陷（如器件間波動、器件電導卡滯、電導狀態(tài)漂移等），會導致計算準確率降低；架構(gòu)方面，憶阻器陣列實現(xiàn)卷積功能需要以串行滑動的方式連續(xù)采樣、計算多個輸入塊，無法匹配全連接結(jié)構(gòu)的計算效率。

在這些研究成果的基礎(chǔ)之上，錢鶴、吳華強團隊逐漸優(yōu)化材料和器件結(jié)構(gòu)，制備出了高性能的憶阻器陣列。

在器件方面，該研究成功實現(xiàn)了一個完整的五層 mCNN，用于執(zhí)行 MNIST 手寫數(shù)字圖像識別任務(wù)。優(yōu)化后的材料堆棧（material stack）能夠在 2048 個單晶體管單憶阻器（one-transistor–one-memristor，1T1R）陣列中實現(xiàn)可靠且均勻的模擬開關(guān)行為。使用該研究提出的混合訓練機制后，實驗在整個測試集上的識別準確率達到了 96.19%。

利用混合訓練方法得到 mCNN

此外，該研究在三個并行憶阻器卷積器中復制了卷積核，從而將 mCNN 的延遲降低約 2/3。該研究得到的高度集成神經(jīng)形態(tài)系統(tǒng)彌補了基于憶阻器的卷積運算和全連接 VMM 之間的吞吐量差距，從而為大幅提升 CNN 效率提供了可行的解決方案。

架構(gòu)方面，之前基于憶阻器的 demo 依賴于單一陣列，其主要原因是生成高度可重復的陣列面臨巨大挑戰(zhàn)。憶阻器設(shè)備的易變性和不完美特性被認為是神經(jīng)形態(tài)計算應(yīng)用的主要瓶頸。該研究提出了一種基于憶阻器的靈活計算架構(gòu)，適用于神經(jīng)網(wǎng)絡(luò)。

存算一體系統(tǒng)架構(gòu)

憶阻器單元使用 TiN/TaO_x/HfO_x/TiN 的材料堆疊，通過調(diào)節(jié)電場和熱，在增強（SET）和抑制（RESET）這兩種情況下均展現(xiàn)出連續(xù)電導率調(diào)節(jié)能力。材料和制造流程與傳統(tǒng)的 CMOS 流程兼容，從而使憶阻器陣列可以方便地內(nèi)置在晶圓的后段制程中，以減少流程變動，實現(xiàn)高復現(xiàn)性。得到的交叉陣列在同等的編程條件下具備均勻的模擬開關(guān)行為。因此，多憶阻器陣列硬件系統(tǒng)基于自定義印刷電路板（PCB）和 FPGA 評估板（ZC706, Xilinx）構(gòu)建。

系統(tǒng)方面，該系統(tǒng)主要包含八個基于憶阻器的處理元件（PE）。每個 PE 集成了 2048 個單元的憶阻器陣列。每個憶阻器與晶體管的漏級端相連，即 1T1R 配置。核心 PCB 子系統(tǒng)具備八個憶阻器陣列芯片，每個憶阻器陣列具備 128 x 16 個 1T1R 單元。在水平方向上共有 128 條并行字線和 128 條源線，在垂直方向上共有 16 條位線。

基于憶阻器的硬件系統(tǒng)具備可靠的多級電導率狀態(tài)

該陣列展示了極具可重復性的多級電導率狀態(tài)，成功證明了存算一體架構(gòu)全硬件實現(xiàn)的可行性。

有何優(yōu)勢？

眾所周知，CNN 是最重要的深度神經(jīng)網(wǎng)絡(luò)之一，在圖像處理相關(guān)任務(wù)中發(fā)揮關(guān)鍵作用，如圖像識別、圖像分割和目標檢測。

CNN 的典型計算步驟需要大量滑動卷積操作。從這個方面來看，CNN 需要支持并行乘積累加運算（MAC）的計算單元。而這需要重新設(shè)計傳統(tǒng)的計算系統(tǒng)，以便以更高的性能、更低的能耗來運行 CNN，這些計算系統(tǒng)包括通用應(yīng)用平臺（如 GPU）、應(yīng)用特定的加速器等。

但是，計算效率的進一步提升最終受限于系統(tǒng)的馮諾伊曼架構(gòu)，該架構(gòu)中的內(nèi)存和處理單元是物理分離的，從而導致大量能耗，以及不同單元之間數(shù)據(jù)搬運的高延遲。

與之相反，基于憶阻器的神經(jīng)形態(tài)計算可以提供非馮諾伊曼計算范式，即存儲數(shù)據(jù)，從而消除數(shù)據(jù)遷移的消耗。憶阻器陣列直接使用歐姆定律進行加法運算，使用基爾霍夫定律（Kirchhoffs law）進行乘法運算，因而能夠?qū)崿F(xiàn)并行存內(nèi)（in-memory）MAC 運算，從而模擬存內(nèi)計算（in-memory computing），并實現(xiàn)速度和能效的大幅提升，減小誤差。