內(nèi)容由半導(dǎo)體行業(yè)觀察（ID：icbank）編譯自IEEE
未來驅(qū)動人工智能的一些最佳電路可能是模擬的，而不是數(shù)字的，世界各地的研究團(tuán)隊(duì)正在越來越多地開發(fā)新設(shè)備來支持這種模擬人工智能。
推動當(dāng)前AI爆炸式增長的深度神經(jīng)網(wǎng)絡(luò)中最基本的計(jì)算是乘法累加(MAC)操作。深度神經(jīng)網(wǎng)絡(luò)由人工神經(jīng)元層組成，在MAC操作中，這些層中每一層的輸出乘以它們與下一層連接的強(qiáng)度或“權(quán)重”的值，然后將這些貢獻(xiàn)相加.
現(xiàn)代計(jì)算機(jī)具有專門用于MAC操作的數(shù)字組件，但理論上模擬電路可以以少幾個數(shù)量級的功耗來執(zhí)行這些計(jì)算。這種策略（稱為模擬人工智能、內(nèi)存計(jì)算或內(nèi)存處理）通常使用非易失性存儲設(shè)備（例如閃存、磁阻RAM(MRAM)、電阻RAM(RRAM)、相位）執(zhí)行這些乘法累加運(yùn)算-更改內(nèi)存(PCM)和更深奧的技術(shù)。
然而，韓國的一個團(tuán)隊(duì)正在探索基于鐠鈣錳氧化物電化學(xué)RAM(ECRAM)設(shè)備的神經(jīng)網(wǎng)絡(luò)，該設(shè)備的作用類似于微型電池，以電導(dǎo)變化的形式存儲數(shù)據(jù)。韓國浦項(xiàng)科技大學(xué)的研究主要作者Chuljun Lee指出，神經(jīng)網(wǎng)絡(luò)硬件在訓(xùn)練和應(yīng)用期間通常有不同的需求。例如，low energy barriers有助于神經(jīng)網(wǎng)絡(luò)快速學(xué)習(xí)，但high energy barriers有助于它們保留學(xué)到的知識以供在應(yīng)用中使用。
“在訓(xùn)練期間將他們的設(shè)備加熱到接近100攝氏度的溫度會產(chǎn)生有利于訓(xùn)練的特性，”電氣工程師John Paul Strachan說，他是德國Jülich研究中心的Peter Grünberg神經(jīng)形態(tài)計(jì)算節(jié)點(diǎn)研究所的負(fù)責(zé)人。不參與本研究。“當(dāng)它冷卻時，他們獲得了更長的保留時間和更低的運(yùn)行電流的優(yōu)勢。只需調(diào)整一個旋鈕，熱量，他們就可以看到計(jì)算的多個維度的改進(jìn)。”
研究人員在12月14日在舊金山舉行的年度IEEE國際電子設(shè)備會議(IEDM)上詳細(xì)介紹了他們的發(fā)現(xiàn)。
Strachan指出，這項(xiàng)工作面臨的一個關(guān)鍵問題是，在經(jīng)過多次加熱和冷卻循環(huán)后，ECRAM可能會面臨什么樣的惡化。盡管如此，“這是一個非常有創(chuàng)意的想法，他們的工作證明了這種方法可能具有一些潛力。”
另一組研究了鐵電場效應(yīng)晶體管(FEFET)。研究主要作者、圣母大學(xué)的Khandker Akif Aabrar解釋說，F(xiàn)EFET在每個晶體管內(nèi)以電極化的形式存儲數(shù)據(jù)。
FEFET面臨的一個挑戰(zhàn)是，當(dāng)它們縮小時，它們是否仍然可以顯示對AI應(yīng)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(jìn)制模式，極化狀態(tài)為一種狀態(tài)或另一種狀態(tài).
“這個團(tuán)隊(duì)工作的優(yōu)勢在于他們對所涉及材料的洞察力，”沒有參與這項(xiàng)研究的Strachan說。“鐵電材料可以被認(rèn)為是由許多小域組成的塊，就像鐵磁體可以被認(rèn)為是上下域一樣。對于他們想要的模擬行為，他們希望所有這些域慢慢地向上或向下對齊響應(yīng)施加的電場，而不是出現(xiàn)它們同時上升或下降的失控過程。因此，他們用多個介電層物理分解了鐵電超晶格結(jié)構(gòu)，以減少這種失控過程。”
該系統(tǒng)實(shí)現(xiàn)了94.1%的在線學(xué)習(xí)準(zhǔn)確率，與其他FEFET和RRAM技術(shù)相比非常好，科學(xué)家們在12月14日在IEDM會議上詳細(xì)介紹了這一發(fā)現(xiàn)。Strachan指出，未來的研究可以尋求優(yōu)化屬性，例如當(dāng)前水平。
日本和臺灣科學(xué)家使用c軸排列的結(jié)晶銦鎵鋅氧化物制成的新型微芯片.研究合著者日本半導(dǎo)體能源實(shí)驗(yàn)室公司的Satoru Ohshita指出，他們的氧化物半導(dǎo)體場效應(yīng)晶體管(OSFET)顯示出每單元低于1納安的超低電流操作和每瓦每秒143.9萬億次操作的操作效率12月14日在IEDM會議上詳細(xì)介紹的研究結(jié)果，是迄今為止模擬AI芯片中報(bào)告的最好成績。
“這些是極低電流的設(shè)備，”Strachan說。“由于所需的電流如此之低，您可以將電路塊做得更大——它們獲得512 x 512個存儲單元的陣列，而RRAM的典型數(shù)字更像是100 x 100。這是一個巨大的勝利，因?yàn)楦蟮膲K得到了二次方它們存儲的權(quán)重具有優(yōu)勢。“當(dāng)OSFET與電容器結(jié)合時，他們可以在30小時內(nèi)以超過90%的準(zhǔn)確率保留信息。“這可能足以將這些信息轉(zhuǎn)移到一些波動較小的技術(shù)上——幾十個小時的保留并不是一個交易破壞者，”斯特拉坎說。
總而言之，“研究人員正在探索的這些新技術(shù)都是概念案例的證明，這些案例提出了關(guān)于他們未來可能面臨的挑戰(zhàn)的新問題，”斯特拉坎說。“他們還展示了通往代工廠的道路，他們需要大批量、低成本的商業(yè)產(chǎn)品。”
