编辑 | 萝卜皮
为了训练和使用人工神经网络，工程师需要足以执行数据密集型计算的先进设备。近年来，世界各地的研究团队一直在尝试使用不同的方法和设计来制造此类设备。创建这些设备的一种可能方法是，设计应用可以直接映射神经网络的专用硬件。例如，这可能需要使用忆阻设备阵列，它们同时执行并行计算。
马克斯普朗克微结构物理研究所和德国初创公司 SEMRON GmbH 的研究人员最近设计了可用于实现机器学习算法的新型节能 memcapacitive 设备（即具有存储器的电容器）。
关于 SEMRON
公司官网：semron-ai.com/
德国的 SEMRON 是一家芯片领域的初创公司。该公司希望打造世界上最高效的适合人工智能的芯片。凭借他们获得专利的 CapRAM 技术，也许能够满足芯片如人类大脑般的能耗和灵活性，将内存计算发挥到极致。
关于研究
在这里，研究人员展示了利用电荷屏蔽原理的记忆电容设备，可以提供一种高能效的方法来实现并行乘法累加操作。他们制造了一个由 156 微型记忆电容器设备组成的交叉阵列，并用它来训练一个神经网络，可以区分字母「M」、「P」和「I」。对这些阵列进行建模表明，这种方法可以提供每秒每瓦 29,600 tera 操作的能效，同时确保高精度（6-8 位）。模拟还表明，这些器件有可能缩小到大约 45 nm 的横向尺寸。
该研究以「Energy-efficient memcapacitor devices for neuromorphic computing」为题，于 2021 年 10 月 11 日发表在《Nature Electronics》上。
论文链接：www.nature.com/articles/s4…
基于人工神经网络及其硬件实现的类脑计算（通常称为神经形态计算）可用于解决广泛的计算密集型任务。神经拟态计算可以追溯到 1980 年代，但在忆阻器件的发展和深度神经网络卷积层在算法层面的提出之后，该领域获得了相当大的动力。
从那时起，已经使用氧化物材料、相变存储器、自旋电子器件和铁电器件 [隧道结和铁电场效应晶体管（FeFET）] 实现了几种电阻神经形态系统和器件，这些系统即铁电隧道结和 SONOS（即硅-氧化物-氮化物-氧化物-硅）晶体管的能效高达 100 tera-operating per second perwatt (TOPS W^-1)。所有这些方法都依赖于可用于乘法运算的突触权重的模拟存储，并使用基尔霍夫电流定律对通过交叉阵列实现的电流求和。
记忆电容器装置的结构。
忆阻器件类似于忆阻器件，但基于电容原理，并且可能提供比忆阻器件更低的静态功耗。已经有关于记忆电容器设备的理论建议，但很少有实际应用。Memcapacitor 器件可以通过实施可变板距概念来实现，如微机电系统、与介电层串联的金属到绝缘体过渡材料、改变经典忆阻器中的氧空位前沿，以及具有记忆效应的简单金属氧化物半导体电容器。为了获得高动态范围，这些器件要么在小板距处具有大的寄生电阻分量，要么在大板距具有有限的横向可扩展性。具有不同表面积或不同介电常数的记忆电容器也会出现类似的问题。
单个设备的测量设置和CV曲线。
研究人员报告了基于电荷屏蔽的记忆电容器设备，该设备可提供高动态范围和低功耗操作。研究人员以数十微米的规模制造设备，并使用它们来创建用于运行图像识别算法的交叉阵列架构。他们还使用模拟评估了设备在大规模节能神经形态系统中使用的潜在可扩展性。
横杆排列和基本测量。
「我们注意到，除了用于运行神经网络的传统数字方法外，主要是忆阻方法，只有很少的忆阻方法。」开展这项研究的研究人员之一 Kai-Uwe Demasius 解释说「此外，我们注意到所有商用 AI 芯片都仅基于数字/混合信号，并且很少有带有电阻存储器件的芯片。因此，我们开始研究基于电容存储器件的替代方法。」
在回顾之前的研究时，研究人员发现，所有现有的记忆电容设备都难以按比例放大，并且动态范围很差。因此，他们着手开发更高效、更易于扩大规模的设备。他们创造的新型记忆电容装置从大脑中的突触和神经递质中汲取灵感。
「与忆阻器件相比，忆阻器器件的能源效率本质上要高出许多倍，因为它们基于电场而不是基于电流，并且信噪比在第一种情况下更好。」Demasius 说，「我们的 memcapacitor 设备基于电荷筛选，与之前实现 memcapacitive 设备的试验相比，它具有更好的可扩展性和更高的动态范围。」
曼哈顿更新横杆训练。
该团队创造的设备通过另一层（称为屏蔽层）控制顶部栅电极和底部读出电极之间的电场耦合。这个屏蔽层依次由模拟存储器进行调整，模拟存储器可以存储人工神经网络的不同权重值，类似于大脑中的神经递质存储和传递信息的方式。
「我们相信下一代人机界面将在很大程度上依赖于自动语音识别（ASR）。」 Demasius 说，「这不仅包括唤醒词检测，还包括更复杂的算法，如语音到文本的转换。目前 ASR 主要在云端完成，但边缘处理在数据保护等方面具有优势。」
如果语音识别技术进一步改进，语音最终可能成为用户与计算机和其他电子设备进行交流的主要方式。然而，如果没有具有数十亿参数的基于神经网络的大型模型，这种改进将很难或不可能实现。因此，可以有效实施这些模型的新设备，例如 Demasius 团队开发的设备，可以在实现人工智能 (AI) 的全部潜力方面发挥关键作用。
由 Demasius 团队创立的初创公司 SEMRON 已经申请了多项与语音识别深度学习模型相关的专利。未来，该团队计划开发更多基于神经网络的模型，同时还试图通过提高效率和设备密度来扩大他们设计的基于记忆电容器的系统。
