记忆处理单元：用忆阻器解决普通计算问题！

近日，美国密歇根大学的科研团队创造出一种在芯片上安放“忆阻器”的新方法，使之可用于通用的计算任务，并将能耗降低至原来的1/100。

背景

如今，大多数的普通计算机都采用的是冯·诺依曼体系结构。在这种体系结构中，CPU与内存是相互分离的。内存用于存储程序指令和数据；CPU用于执行指令和处理相关数据。因此，数据需要在CPU和内存之间来回移动。

但是，CPU的运算速度增长得较快，而内存的访问速度增长得较慢，所以它们之间存在速度不匹配的问题，也就是所谓的“冯·诺依曼瓶颈”。这一瓶颈不仅限制了系统带宽，增加了系统功耗，同时也会进一步增加计算机的成本和体积。

为了突破这一瓶颈，科学家们从人脑结构中获取到灵感。不同于传统的计算机，人脑处于全方位的互联状态，其中的逻辑功能与记忆功能密切关联。科学家称，人脑的存储密度与多样性均是当代计算机的数十亿倍，即使是目前最发达的超级计算机也无法与人脑相提并论。

模仿人脑，科学家们研发出一种新的计算架构：神经形态计算，也称为类脑计算。它旨在模仿大脑处理、加工信息的过程，将用于数据存储与数据处理的元件，整合到同一块芯片中。神经形态芯片的性能更强，效率更高，非常适合人工智能与机器学习算法以及处理大数据问题。

说起神经形态计算，近期有一种新型硬件颇受科学家们追捧，它就是忆阻器。其英文名 “Memristor” ，是“记忆”（Memory）和“电阻”（Resistor）两个词的混成词。忆阻器可设置为不同的电阻状态，以不同的电阻等级来存储信息。

忆阻器芯片（图片来源：Wei Lu）

通过忆阻器，数据的存储和处理功能可以在同一个设备上实现，从而突破了传统计算机中存在的数据传输瓶颈。科学家们认为，忆阻器非常有希望应用于下一代的神经网络和神经形态计算。由于无需反复移动数据，且可并行地处理大量信号，所以忆阻器也特别适合用于人工智能与机器学习系统。

创新

近日，美国密歇根大学电气与计算机工程系教授、忆阻器创业公司 Crossbar Inc 的联合创始人 Wei Lu 领导的科研团队，创造出一种在芯片上安放“忆阻器”的新方法，使之可用于通用的计算任务，并将能耗降低至原来的1/100。

忆阻器阵列的电子显微镜图像（图片来源：Yeonjoo Jeong / 密歇根大学纳米电子小组）

技术

普通的比特数据（0或1）是离散的，但是忆阻器的电阻值却是连续的。某些应用，例如类脑（仿神经）计算，利用了忆阻器的模拟特性。但是，在普通的计算中，尝试区分流过忆阻器设备的电流的微小变化，无法足够精准地用于数值计算。

Lu 及其同事通过数字化处理电流输出来解决这一问题。他们将电流范围定义为特殊的比特值（例如：0或1）。此外，团队也可以将大型数学问题映射到阵列中更小的区块上，从而改善系统的效率和灵活性。

这些新型区块被研究人员称为“记忆处理单元”（memory-processing units）。具有“记忆处理单元”的计算机非常适合实现机器学习和人工智能算法，也很适合基于矩阵运算的任务，例如用于天气预报的仿真。最简单的数学矩阵，就像具有行列数据的表格，可以直接映射到忆阻器网络上。

一旦采用忆阻器代表数字，我们就可以沿着行施加一组电压脉冲，同步展开行与列相乘与相加的运算。在每列的一端测量到的电流中就包含着运算结果。相比之下，传统的处理器，必须读出矩阵中每个单元的值，进行乘法运算，然后再将每一列的值加到一起。

电路板上的忆阻器阵列（图片来源：Mohammed Zidan / 密歇根大学纳米电子小组）

价值

Lu 表示：“我们只用一步就实现了相加与相乘。它是通过物理定律来实现的。我们不需要在处理器中进行手动地相乘与相加。”

他的团队通过解偏微分方程，来测试这个32x32的忆阻器阵列。Lu 将它想象为未来系统的一个区块。这些方程式，其中也包括天气预报背后的那些方程式，是许多科学与工程问题的基础，但是却非常难以求解。难度在于建模物理现象所需的复杂程式和多个变量。

精准地求解偏微分方程几乎是不可能的，但是可以通过超级计算机近似地求解。这些问题通常需要巨大的数据矩阵，然而忆阻器阵列恰好突破存储器与处理器之间的通信瓶颈恰。Lu 的团队在他们的演示中采用这些方程式模拟了等离子体反应器，比如用于集成电路制造的那些。

根据密歇根大学研究人员的说法，这项技术将用于改善低功率电子设备例如智能手机的性能，或者用于制造更加高效的超级计算机。

关键字

忆阻器、机器学习、计算机

参考资料

【1】https://news.umich.edu/memory-processing-unit-could-bring-memristors-to-the-masses/

【2】http://dx.doi.org/10.1038/s41928-018-0100-6