清华最新芯片成果震撼问世，强势登上Science期刊封面！全球首颗全系统集成、支持高效片上学习的忆阻器存算一体芯片正式问世，这一突破性成果标志着人工智能计算进入全新纪元。该芯片集记忆、计算和学习能力于一体，能够在片上快速完成不同任务的模型训练，而能耗仅为先进工艺下ASIC的1/35，能效有望提升75倍，同时兼顾保护隐私。这一里程碑式的创新，由清华大学集成电路学院吴华强教授、高滨副教授团队共同研发完成，相关话题已登顶知乎热榜，引发全球科技界高度关注。Science编辑更是盛赞其为存算一体领域的重要进展。
芯片内搞定AI训练，实现类人智能学习
正如人类大脑能够基于预先接受过的知识，快速学习新场景中的新知识，边缘设备也需要具备类似的学习能力，才能更好适应用户习惯和新场景。然而，目前神经网络训练需要将大量数据在计算和存储单元之间来回移动，这使得在边缘设备上很难高效进行训练任务。基于忆阻器内存高速访问、断电后仍可保存数据的特性，可以实现内存+硬盘二合一，解决数据的大量移动，从而进一步实现了完全在芯片上进行学习任务。为此，清华团队提出忆阻器存算一体芯片，它集成了高性能忆阻器阵列和必备模块，同时也是一块类脑计算芯片（neuro-inspired computing chip）。研究团队提出了一种新型通用算法和架构（STELLAR），利用忆阻器的特性，通过仅计算正负号、预定义阈值、循环调谐等设计，提升正向传播算法映射到芯片硬件上的效率，从而实现了高效率、低功耗的片上学习。
实验验证片上学习能力，效果显著
研究人员通过几个实验来验证片上学习的能力。第一个实验中，有一台追踪光点的小车。在进行提升学习前，小车在明亮场景中会跟丢光点。而通过500个训练样本进行端侧学习后，小车在明亮和黑暗场景中都能很好完成任务。从实验数据中可以看到，小车在明亮场景下的得分从原来的0.602提升到了0.912。另一个实验是进行图像识别。实验步骤是先让基本模型识别数字“0”和“2-9”，然后让模型学习识别数字一个新类别的“1”。结果可以看到，在经过150次训练后，进行提升学习能将准确度从7%提升到93%。这些实验充分证明了该芯片在片上高效学习方面的强大能力。
清华团队十年磨一剑，成果丰硕
本次成果来自清华大学集成电路学院吴华强教授、高滨副教授团队。吴华强教授现任清华大学集成电路学院院长、清华大学微纳加工中心主任，2005年在美国康奈尔大学（Cornell University）电子与计算机工程学院获工学博士学位，随后先后在美国Spansion公司和美国Primet Precision Materials公司分别担任高级工程师和技术主管，2009年加入清华大学微电子学研究所。研究方向为新型存储器及基于忆阻器的存算一体，涵盖从器件、工艺集成、架构、算法、芯片以及系统等多个层次。高滨副教授于2013年获得北京大学微电子与固体电子学专业力学博士学位，2015年加入清华大学微纳电子系，研究方向为新型存储器，器件模型与模拟，设计-工艺协同优化，存算一体与神经形态芯片，信息安全芯片。张文彬、姚鹏作为学术论文的第一作者。
实际上，关于该方向的存算一体芯片，清华团队已经探索了十余年。2012年，钱鹤、吴华强团队开始研究用忆阻器来做存储，研究团队最初在实验室中探索忆阻器器件的一致性和良率。2014年，清华大学与中科院微电子所、北京大学等单位合作，优化忆阻器的器件工艺，制备出高性能忆阻器阵列——这一次提出的最新成果中已应用。2020年，钱鹤、吴华强团队基于多阵列忆阻器，搭建了一个全硬件构成的完整存算一体系统，在这个系统上高效运行了卷积神经网络算法，成功验证了图像识别功能，比图形处理器芯片的能效高两个数量级，大幅提升了计算设备的算力，实现了以更小的功耗和更低的硬件成本完成复杂的计算。
大模型趋势下，存算一体备受关注
如今，随着大模型趋势到来，AI算力瓶颈问题更加突出，存算一体等新方案也备受关注。Science编辑表示，基于忆阻器的芯片技术近期受到非常大的关注，它有望克服冯诺依曼架构造成的算力瓶颈。论文地址:https://www.science.org/doi/abs/10.1126/science.ade3483