清华制人工神经网络芯片，能效比GPU高两个数量级

2020-02-26 09:56

传统的计算机将数据储存在内存中，然后传送到处理器运算。这种来回“搬运”数据的活动耗费能源和时间，被认为是冯·诺依曼计算架构的核心瓶颈。
而人类的大脑却并非如此，而是直接在记忆体里计算。被认为具有“存算一体”潜力的忆阻器，因而成为类脑计算领域的热门器件。
近日，清华大学微电子所、未来芯片技术高精尖创新中心钱鹤、吴华强团队与合作者在顶尖学术期刊、英国《自然》杂志（Nature）在线发表论文，报道了基于忆阻器阵列芯片卷积网络的完整硬件实现。
该存算一体系统在处理卷积神经网络（CNN）时能效比前沿的图形处理器芯片（GPU）高两个数量级，可以说在一定程度上突破了“冯诺依曼瓶颈”的限制：大幅提升算力的同时，实现了更小的功耗和更低的硬件成本。

基于忆阻器芯片的存算一体系统来源：清华大学
什么是忆阻器？
忆阻器，全称记忆电阻器（Memristor），是继电阻、电容、电感之后的第四种电路基本元件，表示磁通与电荷之间的关系，最早由加州大学伯克利分校教授蔡少棠在1971年预言存在，惠普公司在2008年研制成功。
简单来说，这种组件的的电阻会随着通过的电流量而改变，而且就算电流停止了，它的电阻仍然会停留在之前的值，直到接受到反向的电流它才会被推回去，等于说能“记住”之前的电流量。
这种奇妙的效果，其实和神经元突触有相仿之处。再加上忆阻器还具有尺寸小、操作功耗低、可大规模集成（三维集成）等优点，难怪计算机科学家们在忆阻器身上看到了存算一体、低能耗类脑计算的前景。
人工神经网络近年来大放异彩，如果用忆阻器连接成阵列，作为人工神经网络的硬件，会有什么效果？
忆阻器阵列
尽管国内外许多企业、研究机构给予关注，但据清华大学新闻页面报道，当前国际上的忆阻器研究还停留在简单网络结构的验证，或者基于少量器件数据进行的仿真。基于忆阻器阵列的完整硬件实现仍然有很多挑战。
比如，器件方面，需要制备高一致、可靠的阵列；系统方面，忆阻器因工作原理而存在固有缺陷（如器件间波动，器件电导卡滞，电导状态漂移等），会导致计算准确率降低；架构方面，忆阻器阵列实现卷积功能需要以串行滑动的方式连续采样、计算多个输入块，无法匹配全连接结构的计算效率。
通过近年来积累的一些成果，钱鹤、吴

余下全部

共有评论0条

<返回

<返回首页