未來驅動人工智能的一些最佳電路可能是模擬的，而不是數字的，世界各地的研究團隊正在越來越多地開發(fā)新設備來支持這種模擬人工智能。

　　推動當前 AI 爆炸式增長的深度神經網絡中最基本的計算是乘法累加 (MAC) 操作。深度神經網絡由人工神經元層組成，在 MAC 操作中，這些層中每一層的輸出乘以它們與下一層連接的強度或“權重”的值，然后將這些貢獻相加.

　　現代計算機具有專門用于 MAC 操作的數字組件，但理論上模擬電路可以以少幾個數量級的功耗來執(zhí)行這些計算。這種策略（稱為模擬人工智能、內存計算或內存處理）通常使用非易失性存儲設備（例如閃存、磁阻 RAM (MRAM)、電阻 RAM (RRAM)、相位）執(zhí)行這些乘法累加運算- 更改內存 (PCM)和更深奧的技術。

　　然而，韓國的一個團隊正在探索基于鐠鈣錳氧化物電化學 RAM (ECRAM)設備的神經網絡，該設備的作用類似于微型電池，以電導變化的形式存儲數據。韓國浦項科技大學的研究主要作者 Chuljun Lee 指出，神經網絡硬件在訓練和應用期間通常有不同的需求。例如，low energy barriers有助于神經網絡快速學習，但high energy barriers 有助于它們保留學到的知識以供在應用中使用。

　　“在訓練期間將他們的設備加熱到接近 100 攝氏度的溫度會產生有利于訓練的特性，”電氣工程師John Paul Strachan說，他是德國 Jülich 研究中心的Peter Grünberg 神經形態(tài)計算節(jié)點研究所的負責人。不參與本研究。“當它冷卻時，他們獲得了更長的保留時間和更低的運行電流的優(yōu)勢。只需調整一個旋鈕，熱量，他們就可以看到計算的多個維度的改進?！?/p>

　　研究人員在12 月 14 日在舊金山舉行的年度 IEEE國際電子設備會議(IEDM) 上詳細介紹了他們的發(fā)現。

　　Strachan 指出，這項工作面臨的一個關鍵問題是，在經過多次加熱和冷卻循環(huán)后，ECRAM 可能會面臨什么樣的惡化。盡管如此，“這是一個非常有創(chuàng)意的想法，他們的工作證明了這種方法可能具有一些潛力?！?/p>

　　另一組研究了鐵電場效應晶體管 (FEFET)。研究主要作者、圣母大學的 Khandker Akif Aabrar 解釋說，FEFET 在每個晶體管內以電極化的形式存儲數據。

　　FEFET 面臨的一個挑戰(zhàn)是，當它們縮小時，它們是否仍然可以顯示對 AI 應用程序有價值的模擬行為，或者它們是否會突然切換到只存儲一位信息的二進制模式，極化狀態(tài)為一種狀態(tài)或另一種狀態(tài).

　　“這個團隊工作的優(yōu)勢在于他們對所涉及材料的洞察力，”沒有參與這項研究的 Strachan 說?！拌F電材料可以被認為是由許多小域組成的塊，就像鐵磁體可以被認為是上下域一樣。對于他們想要的模擬行為，他們希望所有這些域慢慢地向上或向下對齊響應施加的電場，而不是出現它們同時上升或下降的失控過程。因此，他們用多個介電層物理分解了鐵電超晶格結構，以減少這種失控過程。”

　　該系統(tǒng)實現了 94.1% 的在線學習準確率，與其他 FEFET 和 RRAM 技術相比非常好，科學家們在 12 月 14 日在 IEDM 會議上詳細介紹了這一發(fā)現。Strachan 指出，未來的研究可以尋求優(yōu)化屬性，例如當前水平。

　　日本和臺灣科學家使用c軸排列的結晶銦鎵鋅氧化物制成 的新型微芯片. 研究合著者日本半導體能源實驗室公司的 Satoru Ohshita 指出，他們的氧化物半導體場效應晶體管 (OSFET) 顯示出每單元低于 1 納安的超低電流操作和每瓦每秒 143.9 萬億次操作的操作效率12 月 14 日在 IEDM 會議上詳細介紹的研究結果，是迄今為止模擬 AI 芯片中報告的最好成績。

　　“這些是極低電流的設備，”Strachan 說?！坝捎谒璧碾娏魅绱酥?，您可以將電路塊做得更大——它們獲得 512 x 512 個存儲單元的陣列，而 RRAM 的典型數字更像是 100 x 100。這是一個巨大的勝利，因為更大的塊得到了二次方它們存儲的權重具有優(yōu)勢?！爱?OSFET 與電容器結合時，他們可以在 30 小時內以超過 90% 的準確率保留信息。“這可能足以將這些信息轉移到一些波動較小的技術上——幾十個小時的保留并不是一個交易破壞者，”斯特拉坎說。

　　總而言之，“研究人員正在探索的這些新技術都是概念案例的證明，這些案例提出了關于他們未來可能面臨的挑戰(zhàn)的新問題，”斯特拉坎說。“他們還展示了通往代工廠的道路，他們需要大批量、低成本的商業(yè)產品?！?/p>