Science突破：模拟计算可以解决复杂的方程，而且消耗的能量要少得多

　　

包括马萨诸塞大学阿默斯特分校工程师在内的一组研究人员已经证明，他们的模拟计算设备，称为memristor（忆阻器，生物通注），可以完成复杂的科学计算任务，同时绕过数字计算的限制。 

当今许多重要的科学问题——从纳米尺度的材料建模到大规模的气候科学——都可以用复杂的方程来探索。然而，今天的数字计算系统在速度、能耗和基础设施方面已经达到了执行这些计算的极限。 

电子与计算机工程教授Qiangfei Xia解释说，以目前的计算方法，每次你想要存储信息或给计算机一个任务时，它都需要在存储器和计算单元之间移动数据。对于移动大量数据的复杂任务，您基本上会遇到各种各样的处理“交通堵塞”。

传统计算解决这个问题的一种方法是增加带宽。相反，Xia和他在马萨诸塞大学阿默斯特分校、南加州大学的同事们，以及计算技术制造商TetraMem公司，已经用模拟忆阻器技术实现了内存计算，作为一种替代方案，可以通过减少数据传输的数量来避免这些瓶颈。 

相关研究成果公布在Science杂志上。

该团队的内存计算依赖于一个被称为忆阻器的电子元件，忆阻器是存储器和电阻(控制电路中的电流)的结合体。忆阻器控制电路中的电流流动，同时即使在电源关闭时也能“记住”先前的状态，这与今天基于晶体管的计算机芯片不同，后者只能在有电时保存信息。忆阻器装置可以被编程成多个电阻水平，增加了一个电池中的信息密度。 

当组织成交叉棒阵列时，这样的记忆电路通过大规模并行方式使用物理定律进行模拟计算，大大加速了矩阵运算，这是神经网络中最常用但非常耗电的计算。计算在设备现场执行，而不是在内存和处理之间移动数据。Xia将内存计算比作疫情最严重时几乎空无一人的道路，他说:“你消除了交通，因为(几乎)每个人都在家工作，我们同时工作，但我们只发送重要的数据/结果。” 

此前，这些研究人员证明了他们的忆阻器可以完成低精度的计算任务，比如机器学习。其他应用包括模拟信号处理、射频传感和硬件安全。 

“在这项工作中，我们提出并展示了一种新的电路架构和编程协议，它可以使用多个相对低精度的模拟设备(如忆阻器)的加权和有效地表示高精度数字，与现有的量化方法相比，大大降低了电路，能量和延迟的开销，”Xia说。 

他补充说:“这篇论文的突破在于我们进一步推动了边界。”“这项技术不仅适用于低精度的神经网络计算，也适用于高精度的科学计算。” 

为了证明原理，忆阻器解决了静态和时变偏微分方程、Navier-Stokes方程和磁流体动力学问题。 

“我们把自己逼出了自己的舒适区，”他说，从边缘计算神经网络的低精度要求扩展到高精度的科学计算。

麻省大学阿默斯特分校的团队和合作者花了十多年的时间设计了一个合适的忆阻器设备，并为模拟内存计算构建了相当大的电路和计算机芯片。“我们在过去十年的研究使模拟忆阻器成为一种可行的技术。现在是时候将这样一项伟大的技术应用到半导体行业，以造福于广泛的人工智能硬件社区。”