劃重點
01印度科學(xué)研究所等研究團隊在Nature期刊上發(fā)表了一篇關(guān)于新型分子憶阻器的研究論文，提升了神經(jīng)形態(tài)計算的精度和能效。
02該憶阻器以釕復(fù)合物為基礎(chǔ)，可實現(xiàn)14位分辨率，信噪比達到73dB，能效提升460倍。
03除此之外，這種憶阻器可在分子級別完成計算任務(wù)，顯著提升計算效率。
04研究團隊表示，這種新型分子憶阻器有望成為復(fù)雜人工智能模型的重要加速器，尤其在邊緣計算領(lǐng)域。
05盡管如此，該技術(shù)仍面臨挑戰(zhàn)，如大規(guī)模應(yīng)用下的精度和性能保持、制造工藝復(fù)雜等問題。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
人工智能（AI）硬件有望徹底被顛覆，在計算速度和能效方面實現(xiàn)前所未有的改進。
日前，來自印度科學(xué)研究所、德克薩斯農(nóng)工大學(xué)和利默里克大學(xué)的研究團隊，在一篇發(fā)表在權(quán)威科學(xué)期刊Nature上的研究論文中介紹了一種新型分子憶阻器，將神經(jīng)形態(tài)計算提升到了前所未有的高精度。
加之神經(jīng)形態(tài)計算固有的功耗低、延遲孝可擴展性高等特點，這一研究為人工智能的未來發(fā)展，尤其在能效需求迫切的領(lǐng)域提供了新的可能性。
據(jù)介紹，他們設(shè)計了一種基于釕（Ru）復(fù)合物的新型分子憶阻器（神經(jīng)形態(tài)硬件中的核心組件），其使用一種偶氮芳香配體，能夠?qū)崿F(xiàn) 14 位的分辨率，并通過精確的動力學(xué)控制，可訪問多達 16520 個不同的模擬電導(dǎo)水平。相比于傳統(tǒng)的計算方式，這種新型分子憶阻器具備以下特點：
超高精度：信噪比達到 73 dB，超過現(xiàn)有技術(shù)四個數(shù)量級。
極低能耗：相比數(shù)字計算機，能效提升 460 倍。
大規(guī)模并行運算：可以在分子級別完成計算任務(wù)，顯著提升計算效率。
研究團隊表示，這種新型分子憶阻器的應(yīng)用可能擴展神經(jīng)形態(tài)計算的范圍，使其超越目前的小眾應(yīng)用，增強從云端到邊緣的數(shù)字電子設(shè)備的核心功能。
值得一提的是，這種新型憶阻器有望成為復(fù)雜人工智能模型（如 GAN 和 Transformer）的重要加速器。
研究團隊表示：“我們的終極目標是用這種基于環(huán)保節(jié)能材料的高性能計算系統(tǒng)，取代現(xiàn)有的計算架構(gòu)，并將其應(yīng)用到日常生活的各個領(lǐng)域，從服裝、食品包裝到建筑材料，真正實現(xiàn)分布式的無處不在的信息處理。”
迄今最大，克服傳統(tǒng)計算架構(gòu)瓶頸
神經(jīng)形態(tài)計算的核心理念是模擬生物神經(jīng)網(wǎng)絡(luò)的工作方式，從而提高計算效率并降低能耗。在這一架構(gòu)下，神經(jīng)元和突觸的行為被仿真為計算元件，能夠在硬件中直接執(zhí)行大量向量-矩陣乘法（VMM）運算。相比傳統(tǒng)的馮諾依曼架構(gòu)，其具有三大優(yōu)勢：
并行處理：像大腦一樣，可以同時處理大量信息。
低功耗：受生物神經(jīng)元啟發(fā)，功耗遠低于傳統(tǒng)計算機。
自適應(yīng)學(xué)習(xí)：可以像人類大腦一樣，通過不斷調(diào)整連接權(quán)重，完成復(fù)雜的學(xué)習(xí)任務(wù)。
在神經(jīng)形態(tài)計算系統(tǒng)中，憶阻器模擬了神經(jīng)元突觸的功能，通過改變電阻來存儲和傳遞信息，使得運算可以在存儲單元中直接進行，提升了計算的速度和效率。
傳統(tǒng)計算架構(gòu)在執(zhí)行 VMM 時，通常需要頻繁地在存儲器和處理器之間移動數(shù)據(jù)，耗費大量時間和能量。而憶阻器使得數(shù)據(jù)可以直接在存儲單元中完成計算，可以顯著提高效率。
然而，受材料特性和電子元件性能的限制，現(xiàn)有神經(jīng)形態(tài)硬件在計算精度、效率和復(fù)雜任務(wù)處理方面仍面臨許多挑戰(zhàn)，尤其在執(zhí)行信號處理、神經(jīng)網(wǎng)絡(luò)訓(xùn)練和自然語言處理等核心計算任務(wù)中。
在這項工作中，為了提升神經(jīng)形態(tài)計算的效率，他們利用先進的納米技術(shù)和材料科學(xué)，構(gòu)建了迄今為止最大的 64×64 的分子憶阻器交叉陣列。這一設(shè)計不僅增加了系統(tǒng)的規(guī)模和復(fù)雜性，還能夠在單一步驟中直接執(zhí)行 VMM 運算，徹底避免了傳統(tǒng)計算架構(gòu)中的數(shù)據(jù)移動瓶頸。
他們表示，這一設(shè)計受人腦工作機制的啟發(fā)，利用分子在晶格中的自然運動處理和存儲信息。這種“分子游覽日記”式的運作方式，為未來的數(shù)據(jù)中心、內(nèi)存密集型應(yīng)用以及在線游戲帶來了巨大的節(jié)能潛力。
圖｜線性和對稱性（a：64×64 的分子憶阻器交叉陣列的顯微圖像；b：一個交叉點在 50 個測量周期內(nèi)的模擬重量更新特征；c：2000 個不同電導(dǎo)水平和 10,002、10,003 的讀出值及其各自的分布；d：根據(jù)每個電導(dǎo)水平的 2000 個數(shù)據(jù)點計算出的不同電導(dǎo)水平的累積分布函數(shù)；e：所有 16520 個電導(dǎo)水平的 σn 和 ΔGn；f：所有電導(dǎo)水平均通過 500 mV 和 -500 mV 兩種不同幅度的脈沖讀�。�
研究發(fā)現(xiàn)，這種憶阻器展現(xiàn)出模擬權(quán)重更新的特性，通過施加不同幅度和持續(xù)時間的方波脈沖，實現(xiàn)了 16520 個獨特的模擬電導(dǎo)狀態(tài)，這些狀態(tài)覆蓋了從 200ns 到 5.9ms 的四個數(shù)量級范圍。
性能顛覆傳統(tǒng)硬件架構(gòu)
為了確保這種分子憶阻器的精度，研究團隊設(shè)計了一個超過 16 位精度的 CMOS 電路，并對交叉陣列的電導(dǎo)性能進行了詳細驗證。結(jié)果顯示，相鄰電導(dǎo)水平的誤差概率低于 10^-9，展現(xiàn)了優(yōu)異的低誤差率和高穩(wěn)定性。
在長達 10^9 次操作后，該憶阻器的權(quán)重更新特性依然保持穩(wěn)定，且其模擬電導(dǎo)狀態(tài)表現(xiàn)出與生物突觸類似的尖峰時間依賴可塑性（STDP），為未來在神經(jīng)形態(tài)計算中的廣泛應(yīng)用提供了技術(shù)支撐。
為了進一步研究分子憶阻器的工作機制，研究人員使用原位拉曼光譜技術(shù)揭示了其背后的分子電子動力學(xué)。他們發(fā)現(xiàn)，電導(dǎo)水平的轉(zhuǎn)變是由兩種分子電子狀態(tài)之間的超分子電荷轉(zhuǎn)移驅(qū)動的，這為控制憶阻器行為提供了科學(xué)依據(jù)。
實驗中，基于這種憶阻器的 VMM 運算成功實現(xiàn)了單步（one-step）離散傅里葉變換（DFT）。
圖｜VMM 的實現(xiàn)
實驗結(jié)果顯示，基于這種新型分子憶阻器的 VMM 運算獲得了 74 dB 的信噪比（SNR）和 76.5 dB 的峰值信噪比（PSNR），這比現(xiàn)有技術(shù)提高了 10^4 倍。
他們表示，這種新型分子憶阻器為執(zhí)行計算密集型任務(wù)提供了精確而高效的解決方案，尤其在人工神經(jīng)網(wǎng)絡(luò)、自動編碼器和生成式對抗網(wǎng)絡(luò)（GAN）等領(lǐng)域的應(yīng)用前景廣闊。
不足與展望
盡管這項研究在神經(jīng)形態(tài)計算領(lǐng)域取得了顯著進展，但距離實際應(yīng)用仍然面臨一些挑戰(zhàn)。
當前的實驗成果主要集中在較小規(guī)模的交叉陣列上，要將這項技術(shù)大規(guī)模應(yīng)用于實際計算設(shè)備，還需要進一步擴大陣列規(guī)模并實現(xiàn)芯片級集成。如何在更大規(guī)模下維持相同的精度和性能，是未來技術(shù)發(fā)展的關(guān)鍵難題。
盡管研究團隊提出了能效優(yōu)化設(shè)計，但要真正達到實驗中預(yù)測的能效提升，還需進一步優(yōu)化外圍電路。此外，分子級憶阻器的制造工藝復(fù)雜，要實現(xiàn)大規(guī)模低成本生產(chǎn)，還有很長的路要走。
盡管面臨這些局限，該研究依然展示出廣闊的應(yīng)用前景。
首先，這項技術(shù)在多種矩陣乘法中展現(xiàn)出一致的高精度，使其在信號處理、機器學(xué)習(xí)等領(lǐng)域具有廣泛的應(yīng)用潛力。尤其是在支持復(fù)雜的人工智能模型方面，如生成式對抗網(wǎng)絡(luò)（GAN）和 Transformer 等，這種新型憶阻器有望成為重要的加速器。
此外，這項技術(shù)在邊緣計算中的應(yīng)用前景尤其值得期待。憑借極高的能效，它可以推動智能設(shè)備和物聯(lián)網(wǎng)中低功耗應(yīng)用的發(fā)展，尤其是在需要實時響應(yīng)的場景中，如自動駕駛或智能醫(yī)療設(shè)備。
未來，隨著陣列規(guī)模的擴大和能效的進一步提升，這種分子憶阻器有望成為推動神經(jīng)形態(tài)計算和人工智能發(fā)展的關(guān)鍵技術(shù)，為數(shù)據(jù)中心、邊緣計算設(shè)備和 AI 加速器提供更高效、更節(jié)能的計算解決方案。
