人類歷史上，第一個可編程憶阻器計算機誕生，不再需要將語音命令發(fā)送到云端進行解釋，直接在智能手機上通過AI處理器完成，極大的加快響應時間。在一些更加注重私密性的場景比如醫(yī)療設備中，具有更好的安全性和隱私性。

你有沒有想過，智能手機將來也有可能直接處理復雜的人工智能任務？關鍵在它：人類歷史上，第一個可編程憶阻器計算機。

不僅僅是通過外部計算機操作的憶阻器陣列，密歇根大學開發(fā)的這個可編程憶阻器計算機，可以直接在小型、能量受限的設備（如智能手機和傳感器）上處理人工智能任務。

也就是說，在未來，不再需要將語音命令發(fā)送到云端進行解釋，直接在智能手機上通過AI處理器完成，極大的加快響應時間。在一些更加注重私密性的場景比如醫(yī)療設備中，能夠?qū)崿F(xiàn)更好的安全性和隱私性。

人工智能強大的算力帶來的負面影響之一就是巨額的能耗。每個人都希望在智能手機上安裝AI處理器，但你肯定不希望手機一天充電12次。

為什么憶阻器有利于機器學習

這里提到的憶阻器的高級計算機組件，是具有存儲器、可變電阻的電阻器，可用作信息存儲。

由于憶阻器在同一位置存儲和處理信息，因此它們可以解決掉計算速度及功耗的殺手——內(nèi)存和處理器之間的連接。

這對于處理大量數(shù)據(jù)的機器學習算法尤其重要，例如識別照片和視頻中的對象，或預測哪些醫(yī)院患者具有較高的感染風險。

如今，程序員已經(jīng)習慣于在圖形處理單元（GPU）而不是CPU上運行這些算法。

“就功率和吞吐量而言，GPU、定制的優(yōu)化數(shù)字電路被認為比CPU好10到100倍?！盠u說?！皯涀杵鰽I處理器可能會再好上10到100倍。”

GPU在機器學習任務中表現(xiàn)優(yōu)秀，因為它們有數(shù)千個小核心可以同時運行計算。憶阻器陣列則更進一步，每個憶阻器都能夠獨立進行計算，一個內(nèi)核里可以一次性執(zhí)行數(shù)千次操作。

本次用于實驗的計算機擁有超過5800個憶阻器。而用于商業(yè)的話，可能包括數(shù)百萬個。

憶阻器陣列特別適合解決機器學習任務，這是因為機器學習算法將數(shù)據(jù)轉(zhuǎn)換為向量。例如，預測患者在醫(yī)院的感染風險時，該向量可以將存在感染風險的因素以數(shù)字表示列出。

然后，機器學習算法將這些“輸入”向量，與在存儲器中的“特征”向量進行比較。如果匹配，則系統(tǒng)知道輸入數(shù)據(jù)具有該特征。向量存儲在矩陣中，類似于數(shù)學電子表格，這些矩陣可以直接映射到憶阻器陣列上。

更重要的是，當數(shù)據(jù)通過陣列反饋時，大部分數(shù)學處理通過憶阻器中的自然電阻發(fā)生，消除了將特征向量移入和移出存儲器而導致的額外計算。這使得陣列在復雜的矩陣計算中非常高效。

早期的研究證明了憶阻器陣列有可能加速機器學習，但它們需要外部計算元件才能運行。

構建可編程憶阻器計算機

為了構建第一臺可編程憶阻器計算機，Lu的團隊與U-M的電子和計算機工程副教授Zhengya Zhang和Michael Flynn教授一起設計了一個芯片，可以將憶阻器陣列與編程和運行所需的所有其他元件集成在一起。

這些組件包括傳統(tǒng)的數(shù)字處理器和通信通道，以及數(shù)字/模擬轉(zhuǎn)換器，用作模擬憶阻器陣列和計算機其余部分之間的解釋器。

然后，Lu的團隊將憶阻器陣列直接集成在U-M的Lurie Nanofabrication Facility的芯片上。他們還開發(fā)了將機器學習算法映射到憶阻器陣列的矩陣結構上的軟件。

該團隊使用三種基本機器學習算法演示了該設備：

感知機（Perceptron），用于對信息進行分類。能夠100％準確地識別出不完美的希臘字母

稀疏編碼，壓縮并分類數(shù)據(jù)，特別是圖像。計算機能夠找到最有效的方法來重建一組圖像，并以100％的準確度識別出其模式

雙層神經(jīng)網(wǎng)絡，旨在尋找復雜數(shù)據(jù)中的模式。這個雙層網(wǎng)絡在乳腺癌篩查數(shù)據(jù)中找到了共性和差異因素，然后將每個病例分類為惡性或良性，準確率為94.6％

擴展商業(yè)用途存在挑戰(zhàn)。但Lu計劃將這項技術商業(yè)化。該研究的標題是“完全集成的可重編程憶阻器-CMOS系統(tǒng)，用于高效的乘法累加運算?！?/p>