人工智能和传统计算机是天作之合。
主要原因是目前硬件芯片的设置方式。 该芯片基于传统的冯诺依曼架构，将内存存储与其主处理器隔离。 每次计算都是噩梦般的周一早上通勤，芯片不断地在每个隔间来回传输数据，形成了臭名昭著的“记忆墙设立的区域办事处外，我们在美国也开设了办事处，以便我们为当地客户提供更多的支持。“
如果您曾经遇到过交通堵塞，您就会知道其中的挫败感：这需要时间并且浪费精力。 随着人工智能算法变得越来越复杂，问题也变得越来越严重。
那么为什么不设计一款基于大脑的芯片，它可能与深度神经网络完美匹配呢？
输入内存计算（CIM）芯片。 正如它们的名字一样，这些芯片在同一地点计算和存储内存。 忘记通勤； 这些芯片是高效的在家工作替代方案，可以解决数据流量瓶颈问题，并有望实现更高的效率和更低的能耗。
或者说，这个理论也是如此。 大多数运行人工智能算法的 CIM 芯片只专注于芯片设计，通过芯片模拟来展示其功能，而不是在成熟的硬件上运行任务。 这些芯片还难以适应多种不同的人工智能任务——图像识别、语音感知——限制了它们与智能手机或其他日常设备的集成。
这个月， 一项研究 in 自然 从头开始升级 CIM。 由斯坦福大学神经拟态硬件专家 HS Philip Wong 博士和加州大学圣地亚哥分校 Gert Cauwenberghs 博士领导的国际团队并没有仅仅关注芯片的设计，而是优化了整个设置，从技术到架构，再到校准硬件的算法。
由此产生的 NeuRRAM 芯片是一个强大的神经拟态计算庞然大物，拥有 48 个并行核心和 3 万个存储单元。 该芯片用途极其广泛，能够处理多项 AI 标准任务，例如读取手写数字、识别图像中的汽车和其他物体以及解码语音记录，准确率超过 84%。
虽然成功率可能看起来平庸，但它可以与现有的数字芯片相媲美，而且可以显着节省能源。 对于作者来说，这离将人工智能直接引入我们的设备又近了一步，而无需将数据传输到云端进行计算。
“在芯片上完成这些计算，而不是向云端发送信息和从云端发送信息，可以在未来实现更快、更安全、更便宜、更具可扩展性的人工智能，并让更多人获得人工智能的力量，” 说过 黄。
神经灵感
AI专用芯片 现在已经是惊人的一毛钱了。 从谷歌的张量处理单元（TPU）和特斯拉的Dojo超级计算机架构到百度和亚马逊，科技巨头正在人工智能芯片淘金热中投资数百万美元，以构建支持日益复杂的深度学习算法的处理器。 有的甚至 利用机器学习来设计芯片架构 为AI软件量身定制，让比赛圆满结束。
一个特别有趣的概念直接来自大脑。 当数据通过我们的神经元时，它们通过称为突触的物理“码头”“连接”到网络中。 这些结构像小蘑菇一样位于神经分支的顶部，是多任务处理者：它们通过蛋白质组成的变化来计算和存储数据。
换句话说，与传统计算机不同，神经元不需要将数据从内存传输到 CPU。 这使得大脑比数字设备更具优势：它具有很高的能效，并且可以同时执行多项计算，所有计算都被封装在塞入头骨内的三磅重的果冻中。
为什么不重建大脑的各个方面呢？
输入 神经形态计算。 一种方法是使用 RRAM，即电阻式随机存取存储器设备（也称为“忆阻器”）。 即使断电，RRAM 也会通过改变硬件的电阻来存储内存。 与突触类似，这些组件可以在很小的区域内封装成密集阵列，从而创建能够进行高度复杂计算而无需体积的电路。 当与 CMOS（一种在我们当前的微处理器和芯片中构建电路的制造工艺）相结合时，这对组合 变得更加强大 用于运行深度学习算法。
但这是有代价的。 作者表示：“RRAM-CIM 架构中的高度并行模拟计算带来了卓越的效率，但实现与数字电路相同水平的功能灵活性和计算精度具有挑战性。”
优化精灵
这项新研究深入研究了 RRAM-CIM 芯片的每个部分，并重新设计以供实际使用。
这要从技术开始。 NeuRRAM 拥有 48 个并行计算核心，RRAM 设备在物理上交织到 CMOS 电路中。 与神经元一样，每个核心在不使用时都可以单独关闭，从而在其内存存储在 RRAM 上的同时节省能量。
这些 RRAM 单元（总共 XNUMX 万个）相互连接，以便数据可以双向传输。 作者解释说，这是一个至关重要的设计，使芯片能够灵活地适应多种不同类型的人工智能算法。 例如，深度神经网络的一种，CNN（卷积神经网络），在计算机视觉方面特别出色，但需要数据在单一方向上流动。 相比之下，LSTM（一种常用于音频识别的深度神经网络）会循环处理数据以将信号与时间进行匹配。 与突触一样，该芯片对一个 RRAM“神经元”与另一个 RRAM“神经元”的连接强度进行编码。
这种架构使得微调数据流以最大限度地减少交通拥堵成为可能。 就像将单通道流量扩展到多通道一样，该芯片可以复制网络当前大多数计算密集型问题的“内存”，以便多个核心同时分析问题。
对以前的 CIM 芯片的最后改进是在类脑计算（通常是模拟计算）和数字处理之间架起更坚固的桥梁。 这里，该芯片使用了神经元电路，可以轻松地将模拟计算转换为数字信号。 作者解释说，这比之前的“耗电和耗电”设置有了进步。
优化成功了。 为了测试他们的理论，该团队制造了 NeuRRAM 芯片并开发了算法，为不同的算法（例如运行不同游戏的 Play Station 5）对硬件进行编程。
在众多基准测试中，该芯片的表现堪称冠军。 NeuRRAM 在芯片上运行七层 CNN，使用流行的 MNIST 数据库识别手写数字时的错误率低于百分之一。
它在更困难的任务上也表现出色。 当加载另一个流行的深度神经网络 LSTM 时，该芯片在接受 Google 语音命令识别挑战时的正确率约为 85%。 该芯片在另一种人工智能架构上运行，仅使用八个内核，就能够恢复噪声图像，将错误减少大约 70%。
那又怎样？
一个词：能量。
大多数人工智能算法都是能源消耗者。 NeuRRAM 的运行能源成本是之前最先进的 RRAM-CIM 芯片的一半，进一步将神经形态计算节能的承诺变为现实。
但这项研究的突出之处在于它的策略。 在设计芯片时，科学家常常需要平衡多项任务的效率、多功能性和准确性，而这些指标往往相互矛盾。 当所有计算都直接在硬件上完成时，问题会变得更加困难。 NeuRRAM 证明了同时对抗所有野兽是可能的。
这里使用的策略可用于优化其他神经形态计算设备，例如 相变存储技术s，作者说。
目前，NeuRRAM 是一个概念验证，表明物理芯片（而不是它的模拟）可以按预期工作。 但仍有改进的空间，包括进一步扩展 RRAM 并将其尺寸缩小到有一天可能适合我们的手机。
“也许今天它被用来执行简单的人工智能任务，例如关键字识别或人体检测，但明天它可以实现完全不同的用户体验。 想象一下实时视频分析与语音识别相结合，一切都在一个微型设备中。” 说过 研究作者万维尔博士。 “作为一名研究人员和工程师，我的目标是将实验室的研究创新成果付诸实践。”
图片来源： David Baillot/加州大学圣地亚哥分校
