前兩天聽AI晶片的報告,有位教授提到了基於憶阻器的AI晶片,今早剛好DeepTech深科技裡報導了密西根大學在這方面的進展(基於憶阻器的AI晶片)。藉此機會,小豆芽搜集了下相關資料,深入了解下憶阻器。
憶阻器,英文名為memristor, 該單詞由memory+resistor各取一半構成,其同時具備電阻和存儲的性能。這個概念最早由UC Berkley的蔡少棠教授在1971年提出。對於四個常用的電路變量電壓、電流、電荷與磁通量,彼此之間存在6個關係式,其中有5個關係式分別對應幾種常用的電學元件與物理定律:
1)電阻,R=dV/dI
2)電容,C=dq/dU
3) 電感 ,L=dφ/dI
4) 電荷與電流關係,dq=I dt
5)法拉第電磁感應定律, V=dφ/dt
唯獨缺少的關係式是磁通量和與電荷之間的關係式,如下圖所示,
(圖片來自https://zh.wikipedia.org/wiki/%E6%86%B6%E9%98%BB%E5%99%A8)
據此,蔡教授提出了憶阻值的概念,定義式為
經過一定的化簡,可以得到: M(q(t))=V(t)/I(t)。因此,憶阻值M的量綱和電阻相同,它是一種具有電荷記憶功能的非線性電阻。
這一概念提出以後,學術界一直在尋找滿足要求的材料與器件。直到2008年,HP公司的研究小組在二氧化鈦體系中發現。其器件結構如下圖所示,是在兩個電極中間為TiO2, 其中左半部分進行摻雜,右半部分未進行摻雜,是一個三明治結構。
(圖片來自文獻1)
整個系統可以看成兩個電阻串聯,即R_doped + R_undoped。當外加正向電壓時,摻雜離子往右半區域移動,導致R_doped所佔的比例增大,導致系統的電阻值降低。當施加反向電壓時,R_undoped的比例增大,系統總的電阻值升高。整個系統類似一個滑動變阻器,其電阻值滿足,
HP這篇文章的標題是「The missing memristor found」, 非常霸氣。
接下來聊一聊憶阻器和AI晶片之間的關係。經典的計算機架構為馮·諾依曼架構,在CPU中,計算處理單元與內存是互相分離的:計算處理單元根據指令從內存中讀取數據,數據完成計算處理後,重新存儲到內存。隨著處理器性能的提升,但是內存訪問的速度並沒有相應提升,導致處理器可能處於等待數據的狀態,其性能無法得到充分發揮,即所謂的內存牆問題。針對該問題,人們提出了存算融合在一起的類腦計算(neuromorphic computing)。憶阻器由於存在電荷記憶功能,因此受到了廣泛關注。
典型的基於memristor的神經網絡結構為crossbar結構,如下圖所示,
(圖片來自文獻2)
橫縱兩個方向的兩層金屬納米線構成網狀結構,而憶阻器位於金屬bar的交叉點,它的功能類似突觸(synapse),連接兩個神經元。通過配置憶阻器的阻值,crossbar結構可實現矩陣的乘法運算。
以上是對憶阻器的簡單介紹,認識比較膚淺,歡迎大家指正!
參考文獻:
D. Strukov, et.al., "The missing memristor found", Nature 453, 80(2008).
X. Zhang, et.al., "Neuromorphic Computing with Memristor Crossbar", Phys. Status Solidi A 215, 1700875(2018)
劉東青,「憶阻器及其阻變機理研究進展」