用于神经形态计算系统的具有非线性映射功能的并行接口型忆阻器架构及碳足迹估算

《IEEE Transactions on Computers》：Parallel Interface-Type (IT) Memristor Architecture With Non-Linear Mapping and Carbon Footprint Estimation for Neuromorphic Computing Systems

　　

摘要：

界面型忆阻器作为下一代用于神经形态计算的存储器展现出巨大潜力。本文首次制备了基于Au/Nb:STO的界面型忆阻器，并对其进行了全面测试与特性分析。与其他忆阻器一样，这类忆阻器也存在开/关电流比低和非线性度高的问题，这会降低推理精度，限制其在神经形态系统中的应用。为解决这些问题，本文提出了以下优化方法：（1）将界面型忆阻器并联，增加复合器件中的层级数量，从而抑制空间差异；（2）采用非线性优化方法来减轻固有的非线性问题，该问题会导致权重更新不准确。仿真结果表明，所提出的优化方法显著提升了神经形态系统的推理精度：在两段式模型中提升幅度可达～18%，在三段式模型中则可提升至～59%。将忆阻器并联有效降低了空间差异的影响，使用两层全连接神经网络在MNIST数据集上可实现～86%的准确率。尽管取得了这些进展，但所提出的优化方法也会增加能耗，进而提升碳足迹，这就凸显出了精度、整体性能与碳足迹之间的重要权衡关系。随着并行忆阻器数量的增加，碳足迹呈线性上升趋势，而两段式模型的碳足迹最低。通过全面分析，仿真结果展现了界面型忆阻器及其优化方法在构建先进神经形态架构方面的潜力。

I. 引言

“神经形态架构”这一术语由Carver Mead提出[1]，它是传统冯·诺依曼架构的一种替代方案。该架构涵盖了诸多受大脑启发的模型、器件和算法，它们都以人工神经网络为基础。这种计算范式的特点在于高度互联的并行结构、低功耗以及局部化的计算与存储功能。近年来，人们对神经形态计算的兴趣日益浓厚，其原因包括摩尔定律即将走到尽头、丹纳德缩放带来的更高功率需求，以及内存与计算过程之间的低带宽问题（即冯·诺依曼瓶颈）。因此，迫切需要一种受大脑启发的硬件与算法协同设计方法，以便高效实现人工神经网络，并将其应用到范围越来越广的各种场景中。许多应用对尺寸、功耗和重量都有严格限制，而神经形态计算机恰好能够在快速高效地完成复杂计算方面表现出色。近期在神经形态硬件方面的进展，比如IBM的TrueNorth[2]、英特尔的Loihi[3]，以及一些处于早期阶段的商用神经形态芯片，正逐渐转化为实际产品。