受人脑工作机理、计算方式等启发，近年来，科学家们试图借鉴人脑的物理结构和工作特点，让计算机完成特定的计算任务。

　　不过，受制于传统计算机架构瓶颈的限制，在目前的信息计算处理技术中，数据存储和计算需要由存储芯片和中央处理器分别来完成。数据在二者之间“搬运”处理，耗时长、功耗大，还随时有可能“交通堵塞”。

　　计算机能不能像人脑一样将存储和计算合二为一，从而高速处理信息？

　　近日，清华大学微电子所、未来芯片技术高精尖创新中心研究团队，与合作者共同研发出一款基于多个忆阻器阵列的存算一体系统，能够高效地处理卷积神经网络，能效比图形处理器芯片高两个数量级，有望大幅提升计算设备的算力，相关成果近日发表于《自然》杂志。

　　存算一体小功耗实现大算力

　　随着人工智能应用对计算和存储需求的不断提升，集成电路芯片技术面临诸多新挑战。一方面，摩尔定律“渐行渐远”，通过集成电路工艺微缩的方式获得算力提升越来越难；另一方面，传统架构中，计算与存储在不同电路单元中完成，大量数据搬运会造成功耗增加和额外延迟。

　　“如果我们把居家生活比作存储，把上班比作计算，每天上班路上会消耗时间、能量，遇到早晚高峰，通勤时间会更长。这个场景和信息处理有很多相似之处，如果存储和计算合二为一，就相当于居家办公一样，能减少通勤时间也能节省体力消耗，可以用更小的功耗实现更大的算力，减少数据传输的延迟。”该团队的研究成员之一、清华大学未来芯片技术高精尖创新中心教授吴华强说。

　　所以，如何实现计算存储一体化、突破算力瓶颈，成为近年来国内外的科研热点。

　　忆阻器，是继电阻、电容、电感之后的第四种电路基本元件，这种元件的阻值是由流经它的电荷确定的。即使电流中断，忆阻器的电阻仍然会停留在之前的数值，这意味着，就算是断电了，这一部分的数据还可以保留。再加上忆阻器的尺寸小，可以大规模集成，功耗低，又适合做模拟计算，所以研究团队认为，可以用忆阻器尝试做存算一体、低能耗类脑计算。

　　但现实远比理想骨感。忆阻器器件间波动、器件电导卡滞、电导状态漂移等，会导致计算准确率降低，制备具有高一致性、高可靠性的多值忆阻器阵列很困难。

　　忆阻器性能好坏，很大程度上取决于材料的选择与组合。在选择材料时，团队主要考虑所选材料的物理参数是否易调控、未来是否适合产业化。

　　出于这些考量，团队在忆阻器常用的二氧化铪材料上，添加了一层界面调控层。这个界面调控层是一种金属氧化层材料，它的不同成分占比可以根据不同工艺精确控制。通过这种方法，可以比较有效地控制忆阻器中二氧化铪部分的微观变化，以及内部的温度和电场。

　　“界面调控层就像一层口罩，不仅能隔绝病毒、灰尘，还能保暖、保湿。这种设计方式使器件具有非常优异的电学特性，而且可以在工厂里大规模生产。”该研究团队的高滨副教授说。

　　或许会率先应用在人工智能领域

　　想让忆阻器存算一体系统解决实际问题，需要在处理大量的计算任务中，克服器件、系统、算法等方面的瓶颈，卷积神经网络是很好的“试金石”。

　　卷积神经网络是一种重要的深度学习模型，借鉴了人脑处理视觉信息的方式，从算法角度，通过卷积、池化等操作，高效提取图像、视频等特征信息，在多种计算机视觉任务处理中取得了很好的效果。在传统计算架构中，受限于存储和计算分离的设计，实现卷积神经网络模型会出现功耗高、延时长，无法满足众多生活场景中电池容量、实时操作等要求。

　　团队认为，存算一体的忆阻器，可以用来实现卷积神经网络等深度学习模型的高效处理，满足日常应用对算力、功耗的要求。他们还提出了空间并行的机制，将相同卷积核编程到多组忆阻器阵列中，各组忆阻器阵列可并行处理不同的卷积输入块。他们集成了8个忆阻器处理单元，每个单元阵列包含2048个忆阻器件，用以提高并行计算的效率。该系统高效运行了卷积神经网络算法，成功验证了图像识别功能，证明了存算一体架构全硬件实现的可行性。