本文參加百家號 #科學了不起# 系列徵文賽。
日本東芝公司研發中心和日本Kioxia公司的研究人員最近進行了一項研究，探索了使用非線性鐵電隧道結（FTJ）憶阻器執行低功耗線性計算的可行性。他們的論文發表在《Nature Electronics》上，可以為有效運行人工智慧（AI）應用程式的硬體開發提供信息，例如人工神經網絡。
進行這項研究的研究人員之一拉杜·伯丹（Radu Berdan）說：「我們都知道，人工智慧正在逐漸成為許多業務和生活的重要組成部分。我們團隊的終極目標是開發更高效的硬體，以運行這些數據量非常大的AI應用程式，尤其是神經網絡。利用我們在新型內存開發方面的專業知識，我們的目標是基於憶阻器的內存計算，可以減輕傳統計算系統的某些效率約束。」
憶阻器是用於增強計算機系統內存的非易失性電子組件。這些可編程電阻器可以整齊地包裝在小型但計算功能強大的交叉開關陣列中，該陣列可用於計算人工神經網絡的核心操作，充當存儲器並減少對外部數據的訪問，從而最終提高其能效。
儘管研究人員已經研究和開發基於憶阻器的內存中計算方法已有一段時間了，但迄今為止提出的大多數系統都難以擴展。缺乏可擴展性的主要原因是，為了保持較高的計算精度，這些系統通常需要較大的設備電流和較高的功耗。因此，它們失去了最初的效率優勢。
由Berdan和他的同事開發的設備以比以前提出的解決方案低得多的電流運行。但是，研究人員最初發現，其非線性電子特性使其無法執行精確的計算，至少在傳統意義上來說是如此。
「從以前的工作中獲得啟發，我們開發了一種學習算法，該算法利用了實際設備的不良方面（例如，開關可變性），我們希望仍然利用看似不合適的FTJ進行計算，」 Berdan解釋說。「然後我們發現，可以通過使用簡單的偏置電路（對數放大器）來糾正該設備的缺陷之一（即其非線性），從而通過這種電路與設備的相互作用實現低電流和精確計算。」
由Berdan開發的設備是通過稱為互補金屬氧化物半導體（CMOS）的標準製造工藝進行製造和優化的。它的初始表徵是在實驗室內使用探測器設置中的高精度參數分析儀進行的。研究人員還使用諸如scipy之類的科學軟體包在Python中對設備的電氣特性進行了建模。
「為了通過實驗證明我們的主要結果，即在低電流下在FTJ交叉開關中進行線性矢量矩陣乘法，我們必須在晶圓上使用多輸入、多輸出交叉開關進行交互，」 Berdan說。「這是一項艱巨的任務，需要我們構建自己的基於PCB的測量平臺並編寫相關的軟體和用戶界面。完成此操作後，我們能夠相對容易地快速證明我們的假設並執行更複雜的實驗。」
Berdan和他的同事們介紹了一種使用超低電流非線性FTJ交叉開關在恆定時間內執行線性計算的方法，該交叉開關不需要脈寬調製。研究人員還表明，縱橫開關可以按比例放大以執行大型矢量矩陣乘法（VMM）操作，這對於一些實際應用而言是必需的。他們的技術可以使基於憶阻器的內存計算應用程式更接近將基於人工神經網絡的商業軟體直接映射到硬體（包括由大型、完全連接的分類層組成的模型）的目標。
Berdan說：「我們的目的是開發更高效的AI硬體，以便在雲上或邊緣部署。基於憶阻器的內存計算是朝著這一目標發展的一條途徑，我們現在專注於系統級架構設計和進一步的設備優化。」
論文標題為《Low-power linear computation using nonlinear ferroelectric tunnel junction memristors》。