高效的下一代水库计算技术:一种基于忆阻器交叉bar阵列的模拟内存实现方法

《iScience》:Efficient next-generation reservoir computing: An analog in-memory implementation using memristor crossbar arrays

【字体: 大 中 小 】 时间:2026年01月26日 来源:iScience 4.1

编辑推荐:

  水库计算因其在处理时序信号方面的高效性而备受关注,而提出的下一代水库计算(NG-RC)进一步提升了计算效率。模拟存内计算架构从根本上减少了数据处理单元与存储单元之间的数据传输操作。本研究提出了一种基于忆阻器交叉阵列的新型NG-RC实现方案。具体而言,通过将非线

  
水库计算因其在处理时序信号方面的高效性而备受关注,而提出的下一代水库计算(NG-RC)进一步提升了计算效率。模拟存内计算架构从根本上减少了数据处理单元与存储单元之间的数据传输操作。本研究提出了一种基于忆阻器交叉阵列的新型NG-RC实现方案。具体而言,通过将非线性特征向量运算数学转化为矩阵乘法,实现了忆阻器交叉阵列内的原位计算。通过读取阵列中特定列线的电流,可提取向量外积的独特单项式,从而促进NG-RC的高效实现。在理想忆阻器器件条件下,该方案在预测和推理任务中表现出优异性能,验证了其可行性。此外,考虑非理想忆阻器特性的仿真实验表明,编程误差是影响系统性能的关键因素。然而,通过选择合适的忆阻器器件,所提出的NG-RC实现方案显示出与数字实现相当的性能,证实了该方案的有效性。

论文解读:基于忆阻器交叉阵列的高效下一代水库计算模拟存内实现

研究背景、问题与意义

随着数据处理和计算需求的爆炸式增长,传统计算架构面临前所未有的挑战,特别是在大数据和人工智能应用中,冯·诺依曼瓶颈日益凸显,数据处理单元与存储单元之间频繁数据传输带来的时延和能耗问题亟待解决。神经形态计算被视为从架构层面打破冯·诺依曼瓶颈的新兴计算范式,而水库计算(Reservoir Computing, RC)作为其重要分支,通过模仿人脑工作模式在处理时序信号方面展现出卓越效率。RC利用由输入层、水库层和输出层组成的简化架构,仅需训练输出层连接权重即可有效捕获时序数据动态,在序列预测、图像识别等领域应用广泛。
然而,传统RC及其变体(如延时RC)仍面临多超参数优化难题,且物理节点硬件实现复杂。为此,Gauthier等人提出了下一代水库计算(Next-Generation Reservoir Computing, NG-RC),将高维数据映射(非线性处理)移至输出层,结合线性水库节点与非线性读出层,理论上被证明等价于非线性向量自回归机,显著降低了计算资源与训练数据需求,并规避了多参数优化挑战。但现有NG-RC研究多集中于应用场景探索,其实现方案研究相对匮乏,尤其是如何设计更通用的架构并考虑忆阻器等器件的固有特性,仍需深入探究。在此背景下,开发基于模拟存内计算架构的NG-RC高效实现方案具有重要理论与应用价值。该研究由相关团队完成,成果发表于《iScience》。

关键技术方法

研究人员首先构建了基于忆阻器交叉阵列的NG-RC实现框架,将NG-RC中线性特征向量到非线性特征向量的转换(即向量外积计算唯一单项式的过程)重构为矩阵乘法,以适配忆阻器交叉阵列的原位计算。具体通过构造线性特征向量的对角矩阵和上三角矩阵,利用其乘积的上三角部分包含向量外积所有唯一单项式的特性,借助忆阻器的可调电导特性在阵列内实现矩阵乘法,并通过读取特定列线电流提取结果。研究采用CrossSim v3.0平台进行数值仿真,以洛伦兹63(Lorenz63)系统和双卷波(double-scroll)系统为对象,开展短期动态预测、混沌吸引子重构及未见数据推理任务。同时,考虑了忆阻器非理想特性(编程误差、读取噪声、电导漂移、耐久性退化)的影响,并优化了数模转换器(DAC)、模数转换器(ADC)及忆阻器电导编码的位分辨率。

研究结果

  1. 1.
    实验任务:研究设定三个实验任务,包括混沌序列短期动态预测(Task1)、混沌吸引子重构(Task2)和未见数据推理(Task3)。针对Lorenz63系统进行三项任务,对双卷波系统开展Task1和Task2。参数设置(如离散时间间隔dt、岭回归参数α、训练集大小)与NG-RC数字实现保持一致以确保公平性。
  2. 2.
    忆阻器交叉阵列模块参数优化:通过分析训练阶段非线性特征向量计算的输入输出数据统计特性,确定DAC和ADC的数值范围。洛伦兹63系统DAC范围设为(-30, 60),ADC范围(-100, 250);双卷波系统DAC和ADC范围均为(-10, 20)。基于归一化均方根误差(NRMSE)指标,优化得到洛伦兹63系统任务中DAC、ADC及电导编码位分辨率分别为14位、24位、14位;双卷波系统任务分别为18位、24位、16位,以平衡硬件资源与预测性能。
  3. 3.
    理想忆阻器条件下的实验结果:在理想器件条件下,洛伦兹63系统短期预测曲线与真实值吻合约6个李雅普诺夫时间,1个李雅普诺夫时间的NRMSE为2.82×10-4;双卷波系统预测曲线吻合约8个李雅普诺夫时间,NRMSE为1.91×10-3。吸引子重构结果显示,预测相位轨迹与真实吸引子运动轨迹相似,仅在局部存在微小差异。未见数据推理实验中,洛伦兹63系统状态变量z的预测曲线在40个李雅普诺夫时间内与真实值高度一致,NRMSE为8.59×10-3,验证了方案捕捉混沌系统复杂动态行为的有效性及参数优化的合理性。
  4. 4.
    非理想忆阻器条件下的实验结果:考虑编程误差、读取噪声、电导漂移和耐久性退化等非理想特性,研究表明编程误差和耐久性退化是影响系统性能的关键因素。通过CrossSim模型及Lammie等人的耐久性模型仿真发现,在仅考虑编程误差时,采用相变存储器(PCM)、阻变随机存取存储器(ReRAM)和硅-氧化物-氮化物-氧化物-硅(SONOS)三种器件,优化后方案性能与数字实现相当。其中,PCM器件在各项任务中表现最优,洛伦兹63系统短期预测NRMSE达3.04×10-4,双卷波系统为2.00×10-3,未见数据推理NRMSE为8.68×10-3,证实选择合适器件可有效缓解非理想特性影响。

讨论与结论总结

讨论部分指出,该方案通过数学重构将NG-RC的非线性特征向量计算转化为忆阻器交叉阵列的原位矩阵乘法,显著提升了计算效率。硬件指标评估显示,相比数字实现,该方案在能效和速度上具有优势。研究结论表明,所提出的基于忆阻器交叉阵列的NG-RC实现方案,在理想及非理想器件条件下均能高效完成混沌系统预测与推理任务,其性能可与数字实现相媲美,为NG-RC的硬件实现提供了通用架构,对推动神经形态计算在人工智能领域的应用具有重要意义。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号