回顧：神經擬態計算需求下的6種新記憶體技術

　　 對神經擬態計算的興趣促使人們去研究一種新的記憶體裝置，以複製/實現生物神經元和突觸的特性功能。近日有一篇論文( )回顧了該領域的現狀，並討論了6種在這一領域最有前途的技術。

　　這六類器件包括可變電阻式隨機存取儲存器(ReRAM)、擴散型憶阻器(Diffusive Memristors)、相變儲存器(PCM)、基於自旋電子的磁阻隨機存取儲存器(MRAM)，鐵電場效應電晶體(FeFET)，突觸電晶體(Synaptic Transistor)，下面我們逐一進行介紹。

　　 ReRAM

　　ReRAM基於一個“漂移”憶阻模型，是一種具有非易失性的電子開關，即它可以由多種化合物製成，最常見的是各種型別的氧化物。根據論文作者的說法，ReRAM的主要優勢是它的可擴充套件性、CMOS相容性、低功耗和模擬電導調製，這些優勢使它成為下一代記憶體的主要競爭者。

　　它對神經擬態計算的適用性，與憶阻器根據施加電壓的歷史改變其狀態的能力有關。由於這種行為，它具有生物神經元與突觸的暫時性和模擬特性。然而，使這些憶阻器更均衡，讓其可靠地工作仍然是一個挑戰，作者說。

　　2017年，由盧偉博士領導的密歇根大學電氣工程與電腦科學系的一個小組展示了一個使用憶阻器的神經擬態原型裝置，憶阻器被佈置在一個交叉網路中。作為Crossbar公司的首席科學家，盧正在幫助這項技術實現商業化。他於2010年與他人共同創立了該公司，目前正與客戶合作，向市場推出Crossbar ReRAM解決方案。

　　 擴散型憶阻器

　　該技術基於一種使用活潑金屬的擴散動力學的憶阻器，同樣也引起了研究人員的關注。根據論文作者的說法，此類憶阻器能夠利用它們獨特的電導行為來模擬突觸的可塑性，這一特性使它們能夠忘記較早的、短期的資訊，同時鎖定更多相關的資訊。

　　將擴散型憶阻器與ReRAM配對的實驗裝置能夠演示無監督學習。這項研究是由馬薩諸塞大學的一組研究人員領導的，其中就有這篇論文的三位作者。到目前為止，還沒有商業實現。

　　 相變儲存器

　　PCM是另外一種高效能、非易失性儲存器，基於硫族化物玻璃化合物——當它們從一個相移動到另一個相時，電阻會發生變化。該材料的結晶相為低電阻率，非結晶相為高電阻率。相變是透過施加或抽取電流來實現的。與基於NAND的傳統非易失性記憶體不同，一些PCM裝置可以承受幾乎無限次的寫操作。

　　英特爾、三星、美光科技和松下都曾多次涉足PCM, IBM Research也曾進行了這方面的工作，後者推出了一款PCM DIMM，可以作為非易失性快取。幾年前，研究人員構建了一個PCI-Express PCM卡，可以連線到Power8伺服器，並透過相干加速器處理器介面(CAPI)交換資料。

　　作者參考了許多使用相變材料的模擬性質進行神經擬態計算的研究成果，其中一項研究提出了一個完整的神經擬態電路設計，使用PCM來模擬神經元和突觸。

　　 自旋電子MRAM

　　基於自旋電子的MRAM，有時也被稱為自旋轉矩轉換MRAM (STT-MRAM)，它以磁性的方式儲存資料，但使用電子來讀寫資料。磁性提供了非易失性，而電子提供了速度。在有些實現中，寫資料的速度幾乎和DRAM一樣快。

　　一個儲存元件由兩個鐵磁層組成，包括自由層和固定層，中間夾有非磁性氧化物層。它的工作原理是克服將磁化從一個方向轉換到另一個方向所需要的電阻。透過在自由層中加入疇壁可以實現多種電阻狀態。這類器件中，開關態的隨機性可以用來模擬突觸的隨機行為。

　　Avalanche Technology，Spin Memory，以及Everspin Technologies等公司正在開發STT-MRAM的商業產品，此外三星和英特爾也開始生產STT-MRAM晶片。從商業角度來看，Everspin似乎是走得最遠的。本月，該公司已經開始向客戶運送1GB的STT-MRAM裝置。

　　 鐵電場效應電晶體

　　FeFET儲存器使用鐵電材料，可以在兩種極化狀態之間快速切換。與上面提到的其他技術一樣，它可以在低功耗下提供高效能，並且具有非易失性的額外優勢。

　　根據論文作者的說法，這種型別的記憶體，電壓可以透過模擬突觸權重的方式進行調整，突觸權重是神經擬態計算的一個重要元素。FeFET的一大優勢是，一些鐵電化合物也與CMOS相容，從而更容易整合到標準計算平臺中。缺點是，該技術還受到DRAM的一些限制，包括伸縮性、洩漏和可靠性。

　　 突觸電晶體

　　與本文提到的其他技術不同，突觸電晶體是專門設計用來模擬神經元行為的。電晶體是由柵極、源極和漏極組成的三端結構。柵極利用電導將突觸權重傳遞給通道，而源極和漏極則用來讀取權重。電解質溶液用來調節通道的電導，提供神經形態功能的核心模擬行為。

　　論文作者說，突觸電晶體提供了“卓越的效能”，甚至可能比生物等同物更好。然而，這項技術仍處於非常早期的研究階段。當前的實現在永續性、速度和電解質等方面都受到限制。此外，它還為被證明能像神經網路那樣連貫地工作。

　　總的來說，這些技術有潛力“顯著加快計算速度，同時降低功耗”，作者寫道，他們也承認每種技術都有自己的優缺點。他們認為，至少在可預見的未來，任何人造神經擬態系統仍將不得不依賴CMOS電路作為外圍元件。“要使神經形態系統能夠自我依賴，這些新裝置技術必須進行跳躍式的改進。” 作者寫道，“目前仍有繼續發展的空間，在材料科學家、裝置工程師、硬體設計師、計算機架構師和程式設計師之間的強大協作下向前發展，將有助於促進跨學科對話，以解決神經擬態領域面臨的許多挑戰。”

　　原文作者：Michael Feldman 來源：TheNextPlatform