清华大学集成电路学院教授吴华强、副教授高滨团队基于存算一体打算范式，研制出环球首颗全部系集成的、支持高效片长进修（机器学习能在硬件端直接完成）的忆阻器存算一体芯片，在支持片长进修的忆阻器存算一体芯片领域取得重大打破，有望促进人工智能、自动驾驶可穿着设备等领域发展。研究成果已揭橥在《科学》（Science）上。
对海内芯片家当来说，处处都是“卡脖子”，全天下也都在集中力量研发下一代产品，这一次，我们走在了前面。
付斌丨作者
电子工程天下（ID：EEworldbbs）丨出品
成果是什么根据清华大学官方"大众年夜众号先容，该芯片包含支持完全片长进修所必需的全部电路模块，成功完成图像分类、语音识别和掌握任务等多种片上增量学习功能验证，展示出高适应性、高能效、高通用性、高准确率等特点，有效强化智能设备在实际运用处景下的学习适应能力。
相同任务下，该芯片实现片长进修的能耗仅为前辈工艺下专用集成电路（ASIC）系统的1/35，同时有望实现75倍的能效提升。
图片忆阻器存算一体芯片及测试系统，图源丨清华大学
基于忆阻器存算一体实现高效片长进修的通用算法和架构，图源丨清华大学
“存算一体片长进修在实现更低延迟和更小能耗的同时，能够有效保护用户隐私和数据。”博士后姚鹏先容，该芯片参照仿生类脑处理办法，可实现不同任务的快速“片上演习”与“片上识别”，能够有效完成边缘打算场景下的增量学习任务，以极低的耗电适应新场景、学习新知识，以知足用户的个性化需求。
比如，有些人习气在数字“7”的中间加一短横。一开始，智能芯片并不认识这个符号，然而演习了两三个这样书写的“7”后，它就能准确将其识别为数字“7”。
小车自动追踪掌握的增量学习演示，图源丨清华大学
什么东西，有什么用顾名思义，存算一体便是将存储器和处理器合并为一体。想象一下，人类在思考时候从来都是存储和打算一体的，并不会存在分开的情形，而这种架构便是借鉴了我们人脑的处理办法。
我们为什么须要存算一体？冯诺依曼瓶颈经典打算机体系构造中，处理和内存是分开的。而合并在一起，是为了超越两面墙——存储墙和功耗墙。
存储墙：冯·诺依曼架构的存算分离会导致外部存储器运行速率远远小于处理器的运算速率，系统整体会受到传输带宽瓶颈的限定，导致算力会远低于处理器标定的理论算力；功耗墙：冯·诺依曼架构中，数据在处理器和外部存储器中频繁高速通报，会导致系统功耗很高。同时，摩尔定律触碰1nm，芯片特色尺寸已进入量子效应显著范围，引起一系列次级物理效应，包括栅隧穿泄露、载流子界面散射、强场速率饱和、源漏寄生电阻占比增大等，导致功耗密度快速上升。当我们冲破两堵墙，数据就不用来回搬运处理，也不会“交通堵塞”，此时整体功耗就更低了，说白了，便是不绕弯路了。
那忆阻器又是什么？它全称是影象电阻器（Memristor），由Memory和Resistor两个英文单词组成，它代表着第四种器件。
电路中，四大基本变量电流i、电压u、电荷量q和磁通量φ中，前三者分别对应电阻器、电容器和电感器，而磁通量φ表征磁通量与电荷之间的关系——即忆阻器，它的特性是忆阻器可以影象流经它的电荷量。
根据材料和物理机制，忆阻器件可分为阻变随机存储器（RRAM），相变存储器（PCRAM），磁随机存储器（MRAM）和铁电随机存储器（FeRAM）四种。此外还有光电忆阻器、有机材料忆阻器、流体忆阻器等。
不同类型忆阻器件参数指标比较，制表丨电子工程天下 参考丨《物理学报》
存算一体则也分为多种介质，不同介质实现效果和关键点也不同，包括各种易失落性存储器件和非易失落性存储器件（NVM）。
个中，前沿研究更多倾向于技能成熟的SRAM来探索和设计存算一体架构，但SRAM存在瓶颈，较大的单元面积会导致随着工艺发展，CMOS扩展难度会相应增大，芯片打算密度增长会逐渐放缓；比较之下非易失落性存储（NVM）在打算密度方面表现出更大的潜力，不过NVM尚不成熟，基于该技能设计的存算一体架构短韶光很难得到广泛运用。
除了存算一体，未来科学要将忆阻器运用范围扩大到“感存算一体系统”，也便是说，未来的系统不仅存和算在一起，感知系统也会同时进行，打算效率连续倍增。
运用于感存算一体化系统的忆阻器的性能比较，制表丨电子工程天下 参考丨《物理学报》
更值得强调的是，无论是存算一体，还是忆阻器，都与类脑芯片，或者说是神经形态打算干系联，毕竟这两者已经是模拟人脑。
类脑芯片便是从算法（SNN）、架构上彻底模拟人脑打算的“突触可塑性”，这是大脑影象和学习的主要根本。它许可突触根据其活动增强或减弱，并由突触上的神经递质受体掌握。
当然，类脑芯片又是非常繁芜的一个分支，用忆阻器实现的类脑芯片属于最难的那一种，也是非硅基类的类脑芯片。
不同类型的类脑芯片实现办法，制表丨电子工程天下
说了这么多，那存算一体到底有啥用？一句话总结便是——能让芯片快速得到十倍乃至百倍的能效比。低功耗，便是它最大的浸染，而压低功耗就意味着移动设备能够拥有更多想象力，而我们也就越来越能用现有能源系统，触达更大算力。
举一个最范例的例子便是，AlphaGo下棋打败了人类，但人类只用了20瓦的大脑能耗，而AlphaGo是2万瓦。
当然，我们清楚一项成果转化到业界并非一挥而就，而这项成果不仅涉及存算一体、忆阻器，也涉及仿生类脑处理，再把这些东西凑集在一起制造出来，就更繁芜了，可想而知技能含量有多高。
存算一体迎来新增长机会？虽然一韶光，我们可能很丢脸到这款芯片，不过存算一体芯片在近几年已经逐渐家当化，不知道这个是否会成为市场的有一强心剂。
实际上，国际上多数巨子早已开展干系的研究，就比如说工程师所熟知的英特尔、三星、IBM、东芝、SK海力士等公司，而国际市场上最范例的包括：
三星2021年2月发布HBM2-PIM，将4片常规DRAM die和4片具有打算功能的DRAM die通过TSV通孔垂直组合在一起。其运行频率为300 MHz，每个裸片上 (PIM-DRAM die) 有32个PCU。2022年初，三星电子揭橥首个基于MRAM的存算一体芯片，采取28nm CMOS工艺重新构建MRAM阵列构造；Mythic2021年5月得到7000万美元的C轮融资，2021年6月发布由72个AMP切片构成，每个切片内部集成一系列闪存单元、ADC阵列、1个32位RISC纳米处理器、1个16位SIMD矢量处理器、SRAM和1个片上网络 (NOC) 路由器，算力达25TOPS；IBM公司2018年通过PCM实现在数据存储的位置实行打算来加速全连接神经网络演习，该芯片能效比是传统GPU280倍，单位面积算力是传统GPU100倍；2016年，英特尔基于SRAM实现了支持逻辑操作的存储器，并在此根本上实现了支持无进位乘法运算的打算型缓存。反不雅观海内，回看前几年，呈现了大量存算一体公司，这批公司在两年前大多还处在A轮以前，彼时多家公司获亿元融资，短短两年韶光许多明星公司又获2~3轮新融资，赛道热度依旧，成本依然看好这项新技能。
并且，有很多产品也逐渐浮现：
今年5月，后摩智能正式发布首款存算一体智驾芯片——鸿途H30。12nm工艺制程下，该芯片物理算力达256TOPS，在Int8全精度的打算供应下，打算延时只有1.5ns，能效比为30~150TOPS/W，比业界同等精度打算条件下的水平提高了3倍以上，而且它是车规量产支持L4，而这也存算一体在大算力这一领域走在了前列；苹芯科技已开拓实现多款基于SRAM的存内打算加速单元，致力于为人工智能行业供应了低本钱、高效率、低能耗、高性能的芯片办理方案；九天睿芯拥有自有专利的仿照预处理与6T SRAM存算一体技能，办理了传统打算架构的瓶颈和耗电散热难题，做到更低的延迟和更快的处理速率；达摩院研发的存算一体芯片是环球首次采取稠浊键合(Hybrid Bonding)的3D堆叠技能，将打算芯片和存储芯片 face-to-face 地用特定金属材质和工艺进行互联。展望未来，从技能上，存算一体存在三个难点：一是器件特性难以知足全部需求，存算一体的形态太多了，但每种器件的侧重点又不一样，不一定能够知足全部运用需求；二是阵列存在透露路径、写串扰以及寄生电容电阻问题；三是现有集成电路设计与集成技能难以知足需求，本身存算一体是为了低功耗而来，但外围掌握赞助电路的面积和功耗都很高，也会减少存算一体的一部分收益，同时存储存在工艺差距，统一制程增加硬件开销，3D异质集成是可行之路。
从市场角度来看，存算一体还是一种比较超前的技能，还在找运用的阶段。目前仅有后摩智能一家企业已经公开展开规模化落地，瞄准的则是车规级，而许多企业则更看好AIoT低功耗方面的运用、感存算一体、图打算和基因工程等方面的运用。当然，
在此前笔者与苹芯科技的对话中，该公司也表示，存算一体中早期产品更多涌如今端侧对低功耗和高能效有强烈需求的场景。随着智能城市、智能生态等运用遍及，长远地看，存算产品的适用范围也可能会延伸至超大算力领域。
参考文献
[1] 公民日报：https://mp.weixin.qq.com/s/Km1VHS02wDsGE66Fr-d-7w
[2] 清华大学：https://mp.weixin.qq.com/s/w0VZNIQ1KbClJJ8c05hPqg
[3] 恒烁半导体(合肥)株式会社：首次公开拓行股票招股解释书(报告稿).2021.10.19.https://data.eastmoney.com/notices/detail/A21521/AN202110191523750446.html
[4] 高雅丽,李晨,王之康. 办理重大原创问题 勇闯创新“无人区”[N]. 中国科学报,2021-06-01(004).DOI:10.28514/n.cnki.nkxsb.2021.001764.
[5] Acta Phys. Sin., 2022, 71(14): 140101. doi: 10.7498/aps.71.140101
[6] 温新宇, 王亚赛, 何毓辉, 缪向水. 忆阻类脑打算. 物理学报, 2022, 71(14): 140501. doi: 10.7498/aps.71.20220666
[7] 张宇琦, 王俊杰, 吕子玉, 韩素婷. 运用于感存算一体化系统的多模调控忆阻器. 物理学报, 2022, 71(14): 148502. doi: 10.7498/aps.71.20220226
[8] 信息通信技能与政策：专题丨存算一体技能家当发展研究.2023.7.24.https://mp.weixin.qq.com/s/mZJMeES8IUOw6MIQLKZu6A
