IEEE：如果忆阻器想要像神经元那样，就把它们放在神经网络中。

新阵列中的忆阻器（顶部的灰色和黑色三明治结构）可以利用随机性来执行机器学习任务。

编辑/文龙

一种称为忆阻器（Memristor）的低功耗、非易失性技术展现了其作为机器学习硬件基础的希望。最新研究表明，忆阻器能够有效解决AI医疗诊断问题。这是一个令人鼓舞的发展，意味着可以在其他领域有所应用，尤其是在低功耗或网络「边缘」方面。研究人员说，这是因为忆阻器可以人为模仿神经元的某些基本特性。

忆阻器是电子电路中的一个构建模块，也被称为电阻性随机存取存储器（RRAM）设备，大约在50年前就有科学家预测过，但直到十多年前才被首次创造出来。这些组件本质上是电开关，可以记住它们在电源关闭后是打开还是关闭。因此，忆阻器类似于连接人脑神经元的突触，其电导率根据过去经过多少电荷而增强或减弱。

从理论上讲，忆阻器可以像人工神经元一样能够计算和存储数据。因此，研究人员提出，忆阻器可以大大减少传统计算机在处理器和内存之间来回传输数据的时间和耗能。

忆阻器应用开发的挑战之一是这些器件的随机性。这项研究的主要作者、法国Grenoble Alpes University的电气工程师Thomas Dalgaty说：「忆阻器中看到的电阻率或电导率的水平取决于连接两个电极的少数原子，因此从一开始就很难控制它们的电子性能。」

现在，Dalgaty和他的同事们已经开发出一种利用这种随机性进行机器学习应用的方法，并于本月在《自然·电子学》杂志上详细介绍了他们的发现。

忆阻器是由在高电导通状态和低电导通状态之间循环编程得来的。由于器件内部固有的随机性，忆阻器的电导率水平通常会在一个导通状态和下一个导通状态之间来回变化。

但是，Dalgaty表示，如果忆阻器的开/关循环次数足够的多，则每个忆阻器的电导率都将遵循「钟形曲线」的模式。研究人员透露，他们可以实施一种称为马尔可夫链蒙特卡洛采样的算法，该算法可以积极利用这种可预测的行为来解决许多机器学习任务。

与传统的数字CMOS产品的性能相比，忆阻器阵列的能耗降低了五个数量级。「这是因为忆阻器不需要在处理器和内存之间来回传送数据。」

对于忆阻器而言，一个令人兴奋的潜在应用是应用于能够在网络边缘进行学习、调整和操作的设备，例如嵌入式系统、智能家居和IoT节点。「的确，忆阻器可以帮助使边缘学习设备成为现实」，Dalgaty说。

「当前无法进行边缘学习的原因是使用现有硬件执行机器学习所需的能量远远超过了边缘上可用的能量。（使用忆阻器进行）边缘学习……可能会打开以前无法实现的全新应用领域。」

研究人员使用由16,384个忆阻器组成的阵列来检测心电图记录中的心律异常，报告显示与基于传统非忆阻器的标准神经网络相比有着更高的检测率。该团队还使用他们的阵列来解决诸如诊断恶性乳腺组织样本这样的图像识别任务。

未来边缘学习忆阻器的潜在应用可能包括植入的健康预警系统，该系统可以随着患者的状况变化进行自适应。Dalgaty说：「我们正在寻求这些真正受能源限制的边缘应用，包括一些可能由于能源（限制）还尚不存在的应用。」

Dalgaty认为下一个重大挑战是「将所有这些功能整合到一个可以在实验室外部应用的集成芯片上」。他说，这样的芯片可能还需要几年的时间。

https://spectrum.ieee.org/tech-talk/robotics/artificial-intelligence/memristor-random

Charles Q. Choi