人工智能重振存储器式运算架构

业界开始重新审视十年前开发的处理器架构，看好速度较GPU更快1万倍的所谓「存储器式运算」(In-Memory Computing；IMC)，将有助于新一代AI加速器发展。

新创公司、企业巨擘和学术界开始重新审视十年前开发的处理器架构，看好它或许刚好就是机器学习(machine learning)的理想选择。他们认为，「存储器式运算」(In-Memory Computing；IMC)架构可望推动新型的人工智能(AI)加速器进展，使其速度较现行的GPU更快1万倍。

这些处理器承诺可在CMOS微缩速度放缓之际扩展芯片性能，而要求密集乘法累积阵列的深度学习演算法也正逐渐获得动能。这些芯片虽然距离商用化上市还有一年多的时间，但也可能成为推动新兴非挥发性存储器成长的引擎。

例如，新创公司Mythic瞄准在快闪存储器(flash)阵列内部进行神经网路运算任务，致力于从类比领域降低功耗。该公司的目标是在2019年底量产芯片，成为率先推出这一类新芯片的公司之一。

美国圣母大学(Notre Dame)电子工程系系主任Suman Datta说：「在我们学术界大多数的人认为，新兴存储器将成为实现存储器处理器(processor-in-memory；PIM)的技术之一。采用新的非挥发性存储器将意味着创造新的使用模式，而存储器式运算架构将是关键之一。」

Datta指出，在1990年代，有几位学者试图打造这样的处理器。诸如EXECUBE、IRAM和FlexRAM之类的设计都「失败了，而今，随着相变存储器(PCM)、电阻式RAM (RRAM)和STT MRAM等新兴存储器出现，以及业界对于机器学习硬体加速器的兴趣浓厚，开始振兴这个领域的研究。不过，据我所知，大部份的展示都还是在元件或元件阵列层级进行，而不是一个完整的加速器。」

其中一家竞争对手来自IBM于2016年首次披露的「电阻处理器」(Resistive Processing Unit；RPU)。这是一款4,096 x 4,096交叉阵列的类比元件。

IBM研究员Vijay Narayanan认为，「其挑战在于找出正确的类比存储器元素是什么——我们正在评估相变、RRAM和铁电。」Vijay Narayanan同时也是一位材料科学家，他主要的研究领域是在高K金属闸极。

在2015年，美国史丹佛大学(Stanford University)也曾经发布在这一领域的研究。中国和韩国的研究人员也在追求这一理念。

为了实现成功，研究人员需要找到相容于CMOS晶圆厂的存储器元件所需材料。此外，Narayanan说，「真正的挑战」就在于必须在施加电压时展现对称的电导或电阻。

20180502_IMC_NT01P1IBM Research的材料科学家Vijay Narayanan表示，大多数用于AI的存储器处理器仍处于研究阶段，距离可上市的时间约三至五年（来源：IBM）

关于未来电晶体的几点思考

IBM至今已经制造出一些离散式元件和阵列，但并不是一款具有4Kx4K阵列的完整测试芯片，也尚未采用目前所认为的理想材料。Narayanan表示，IBM的Geoff Burr在500 x 661阵列上采用相变材料进行深度神经网路(DNN)训练，而其结果显示「合理的精确度和加速度」。

「我们正稳步前进，但了解还必须改善现有的材料，而且也在评估新材料。」

IBM希望使用类比元件，以便能够定义多个电导状态，从而较数位元件更有助于为低功耗操作开启大门。该公司还看好大型阵列可望成为平行执行多项AI操作的大好机会。

Narayanan乐观地认为，IBM可以利用其于高k金属闸极方面累积的多年经验，找到调整AI加速器电阻的材料。他花了十几年的时间，才将IBM在该领域的专业知识从研究转向商业产品，并与格芯(Globalfoundries)和三星(Samsung)等业界伙伴合作。

展望未来，IBM将致力于开发闸极全环(GAA)电晶体，将奈米片用于7nm节点以外的应用。他认为这一类的设计并不存在根本的障碍，而只是实施的问题。

除了奈米片之外，研究人员正在探索负电容场效电晶体(FET)，这些FET可在电压变化很小的情况下提供较大的电流变化。从研究人员发现这种掺杂氧化铪是铁电材料，而且可能相容于CMOS后，过去这五年来，这种想法越来越受到关注。

但Narayanan也说，「目前还有很多反对者以及同时支持二者的人。」

「我们的研究显示，负电容是一种短暂的效应，」Notre Dame的Datta说，「因此，当极化开关切换时，通道电荷得以暂时启动，而一旦暂态稳定后就不会再取得任何结果。」

美国加州大学柏克莱分校(UC Berkeley)的研究人员则「相信这是一种重要的『新状态』。因此，故事仍在继续发展中，可以说大部份的公司都在内部进行评估中。 」