文檔幫助中心
模擬電路人工智能神經網絡的前景
來源:IEEE電氣電子工程師學會
在驅動AI當前爆炸的深層神經網絡中，最基本的計算是乘法累加（MAC）運算。深度神經網絡由人工神經元層組成，在MAC操作中，每一層的輸出乘以它們與下一層連接的強度或“權重”值，然后將這些貢獻相加。
現代計算機有專門用于MAC操作的數字元件，但從理論上講，模擬電路可以用更少的能量進行這些計算。這種被稱為模擬AI、內存中計算或內存中處理的策略通常使用非易失性存儲器設備（如閃存、磁阻RAM（MRAM）、電阻RAM（RRAM）、相變存儲器（PCM）和更為深奧的技術）來執行這些乘法累加操作。
然而，韓國的一個團隊正在探索基于鐠鈣錳氧化物電化學RAM（ECRAM）設備的神經網絡，這種設備就像微型電池，以電導變化的形式存儲數據。研究在韓國浦項科技大學的主要作者ChuljunLee指出，神經網絡硬件在訓練期間和應用期間經常有不同的需求。例如，低能量屏障有助于神經網絡快速學習，但高能量屏障有助于它們保留所學知識，以便在應用過程中使用。
德國尤利希研究中心彼得·格倫伯格神經形態計算節點研究所所長、電氣工程師JohnPaulStrachan沒有參加這項研究。他說：“在訓練過程中，將設備加熱到100攝氏度左右，可以產生有利于訓練的特性。當它冷卻下來時，他們獲得了更長的保留時間和更低的電流操作的優勢。只需調整一個旋鈕，熱量，他們就可以在多個計算維度上看到改進?！毖芯咳藛T于12月14日在舊金山舉行的IEEE國際電子設備會議（InternationalElectronDevicesMeeting(IEDM)）上詳細描述了他們的發現。
Strachan指出，這項工作面臨的一個關鍵問題是，經過多次加熱和冷卻后，ECRAM可能會面臨何種劣化。不過，“這是一個非常有創意的想法，他們的工作證明了這種方法可能有一些潛力。”
另一組研究了鐵電場效應晶體管(FEFET)。研究主要作者、圣母大學的KhandkerAkifAabrar解釋說，FEFET在每個晶體管內以電極化的形式存儲數據。
FEFET面臨的一個挑戰是，當它們縮小時，它們是否仍然可以顯示對AI應用程序有價值的模擬行為，或者它們是否會突然切換到只存儲一位信息的二進制模式，極化狀態為一種狀態或另一種狀態。
“這個團隊工作的優勢在于他們對所涉及材料的洞察，”Strachan說，他沒有參與這項研究，“鐵電材料可以被認為是由許多小磁疇組成的塊體，就像鐵磁體可以被認為是上下磁疇一樣。為了實現他們所希望的模擬行為，他們希望所有這些磁疇在外加電場的作用下緩慢地向上或向下排列，而不是出現一個失控的過程，在這個過程中它們都會向上或向下移動?！币虼?，他們用多個介電層物理分解了鐵電超晶格結構，以減少這種失控過程。
該系統實現了94.1%的在線學習準確率，這與其他FEFET和RRAM技術相比非常好，科學家在12月14日的IEDM會議上詳細介紹了這一發現。Strachan指出，未來的研究可以尋求優化屬性，如當前水平。
來自日本和臺灣科學家的一種新型微芯片，采用c軸定向晶體氧化銦鎵鋅制成。這項研究的合著者、日本半導體能源實驗室公司的SatoruOhshita指出，他們的氧化物半導體場效應晶體管（OSFET）的超低電流操作低于每個電池1毫安，操作效率為143.9萬億次/秒/瓦，這是迄今為止模擬AI芯片中報道得最好的，12月14日在IEDM會議上詳細介紹了調查結果?！斑@些都是極低電流的設備，”Strachan說，“由于所需的電流非常低，您可以將電路塊變大，從而獲得512×512個存儲單元的陣列，而RRAM的典型數字更像是100×100。這是一個巨大的勝利，因為較大的電路塊在存儲權重方面具有二次優勢?！碑擮SFET與電容器結合時，它們可以以90%以上的準確度保留信息30小時。Strachan說：“這可能是一段足夠長的時間，可以將這些信息轉移到一些波動性較小的技術上。幾十小時的保留時間并不是交易的破壞者。”總之，“研究人員正在探索的這些新技術都是概念驗證案例，提出了關于他們未來可能面臨的挑戰的新問題，”Strachan說，“他們還指出了通往代工廠的道路，這是他們生產大批量、低成本商業產品所需要的?！?/span>
