第一臺可編程憶阻器計算機旨在將AI處理從云計算中降低

憶阻器陣列芯片插入到定制計算機芯片中，形成了第一臺可編程憶阻器計算機。該團隊證明了它可以運行三種標準類型的機器學習算法。

密歇根大學開發(fā)了第一臺可編程憶阻器計算機，而不僅僅是通過外部計算機操作的憶阻器陣列。

它可能導(dǎo)致直接在智能手機和傳感器等能耗受限的小型設(shè)備上處理人工智能。智能手機AI處理器意味著不再需要將語音命令發(fā)送到云中進行解釋，從而加快了響應(yīng)時間。

UM的電子與計算機工程教授，《自然電子》研究的資深作者韋魯說：“每個人都希望在智能手機上安裝AI處理器，但您不希望手機的電池很快耗盡。”

在醫(yī)療設(shè)備中，無需云即可運行AI算法的功能將實現(xiàn)更好的安全性和隱私性。

為什么憶阻器適合機器學習

實現(xiàn)這一目標的關(guān)鍵可能是稱為憶阻器的高級計算機組件。該電路元件是帶存儲器的電阻器，具有可變電阻，可以用作信息存儲的形式。由于憶阻器在同一位置存儲和處理信息，因此它們可以繞開計算速度和功能的最大瓶頸：內(nèi)存和處理器之間的連接。

這對于處理大量數(shù)據(jù)以執(zhí)行諸如識別照片和視頻中的對象或預(yù)測哪些醫(yī)院患者感染風險更高的事情的機器學習算法尤其重要。程序員已經(jīng)喜歡在圖形處理單元上運行這些算法，而不是在計算機的主處理器(處理器)上運行。

“在功耗和吞吐量方面，GPU以及非常定制和優(yōu)化的數(shù)字電路被認為比CPU好約10-100倍。”陸說。“憶阻器AI處理器的性能可能再提高10到100倍。”

GPU在機器學習任務(wù)上表現(xiàn)更好，因為它們具有數(shù)千個小的內(nèi)核可一次運行所有計算，而不是一連串的計算等待它們在CPU中為數(shù)不多的強大內(nèi)核之一上運行。

憶阻器陣列使這一點更進一步。每個憶阻器都可以進行自己的計算，從而允許一次在一個內(nèi)核中執(zhí)行數(shù)千個操作。在這個實驗規(guī)模的計算機中，有5800多個憶阻器。商業(yè)設(shè)計可能包含數(shù)百萬個。

憶阻器陣列特別適合于機器學習問題。這樣做的原因是機器學習算法將數(shù)據(jù)轉(zhuǎn)換為矢量的方法，本質(zhì)上就是數(shù)據(jù)點列表。例如，在預(yù)測患者在醫(yī)院中感染的風險時，此向量可能會列出患者風險因素的數(shù)字表示。

然后，機器學習算法將這些“輸入”向量與存儲在內(nèi)存中的“特征”向量進行比較。這些特征向量代表數(shù)據(jù)的某些特征(例如潛在疾病的存在)。如果匹配，則系統(tǒng)知道輸入數(shù)據(jù)具有該特征。向量存儲在矩陣中，就像數(shù)學電子表格一樣，這些矩陣可以直接映射到憶阻器陣列上。

此外，隨著數(shù)據(jù)通過陣列饋送，大部分的數(shù)學處理都是通過憶阻器中的自然電阻進行的，從而無需將特征向量移入和移出內(nèi)存即可執(zhí)行計算。這使得陣列在復(fù)雜的矩陣計算中非常高效。早期的研究表明憶阻器陣列可以加快機器學習的速度，但是它們需要外部計算元件才能發(fā)揮作用。

建立可編程的憶阻器計算機

為了構(gòu)建第一臺可編程憶阻器計算機，Lu的團隊與UM的電氣和計算機工程副教授Zhang Zhengya教授和Michael Flynn教授一起設(shè)計了一種芯片，該芯片可以將憶阻器陣列與編程和運行所需的所有其他元素集成在一起它。這些組件包括常規(guī)的數(shù)字處理器和通信通道，以及用作模擬憶阻器陣列和計算機其余部分之間的解釋器的數(shù)字/模擬轉(zhuǎn)換器。

Lu的團隊隨后將憶阻器陣列直接集成在UM的Lurie Nanofabrication Facility的芯片上。他們還開發(fā)了將機器學習算法映射到憶阻器陣列的矩陣狀結(jié)構(gòu)的軟件。

該團隊通過三種基本的機器學習算法演示了該設(shè)備：

Perceptron，用于對信息進行分類。他們能夠以100%的精度識別出不完美的希臘字母

稀疏編碼，可對數(shù)據(jù)(尤其是圖像)進行壓縮和分類。該計算機能夠找到最有效的方法來以一組確定的模式重建圖像，并具有100%的準確性

兩層神經(jīng)網(wǎng)絡(luò)，旨在查找復(fù)雜數(shù)據(jù)中的模式。這個由兩層組成的網(wǎng)絡(luò)在乳腺癌篩查數(shù)據(jù)中發(fā)現(xiàn)了共性和差異因素，然后將每個病例分類為惡性或良性，準確率為94.6%。

擴大規(guī)模以用于商業(yè)用途存在挑戰(zhàn)-憶阻器尚未達到所需的相同程度，并且存儲在陣列中的信息并不完全可靠，因為它基于模擬的連續(xù)體而不是數(shù)字或非數(shù)字。這些是陸氏團隊的未來方向。

Lu計劃將該技術(shù)商業(yè)化。該研究的標題是“用于高效乘法累加運算的完全集成的可重新編程憶阻器-CMOS系統(tǒng)。”