前两天听AI芯片的报告,有位教授提到了基于忆阻器的AI芯片,今早刚好DeepTech深科技里报道了密歇根大学在这方面的进展(基于忆阻器的AI芯片)。借此机会,小豆芽搜集了下相关资料,深入了解下忆阻器。
忆阻器,英文名为memristor, 该单词由memory+resistor各取一半构成,其同时具备电阻和存储的性能。这个概念最早由UC Berkley的蔡少棠教授在1971年提出。对于四个常用的电路变量电压、电流、电荷与磁通量,彼此之间存在6个关系式,其中有5个关系式分别对应几种常用的电学元件与物理定律:
1)电阻,R=dV/dI
2)电容,C=dq/dU
3) 电感 ,L=dφ/dI
4) 电荷与电流关系,dq=I dt
5)法拉第电磁感应定律, V=dφ/dt
唯独缺少的关系式是磁通量和与电荷之间的关系式,如下图所示,
(图片来自https://zh.wikipedia.org/wiki/%E6%86%B6%E9%98%BB%E5%99%A8)
据此,蔡教授提出了忆阻值的概念,定义式为
经过一定的化简,可以得到: M(q(t))=V(t)/I(t)。因此,忆阻值M的量纲和电阻相同,它是一种具有电荷记忆功能的非线性电阻。
这一概念提出以后,学术界一直在寻找满足要求的材料与器件。直到2008年,HP公司的研究小组在二氧化钛体系中发现。其器件结构如下图所示,是在两个电极中间为TiO2, 其中左半部分进行掺杂,右半部分未进行掺杂,是一个三明治结构。
(图片来自文献1)
整个系统可以看成两个电阻串联,即R_doped + R_undoped。当外加正向电压时,掺杂离子往右半区域移动,导致R_doped所占的比例增大,导致系统的电阻值降低。当施加反向电压时,R_undoped的比例增大,系统总的电阻值升高。整个系统类似一个滑动变阻器,其电阻值满足,
HP这篇文章的标题是“The missing memristor found”, 非常霸气。
接下来聊一聊忆阻器和AI芯片之间的关系。经典的计算机架构为冯·诺依曼架构,在CPU中,计算处理单元与内存是互相分离的:计算处理单元根据指令从内存中读取数据,数据完成计算处理后,重新存储到内存。随着处理器性能的提升,但是内存访问的速度并没有相应提升,导致处理器可能处于等待数据的状态,其性能无法得到充分发挥,即所谓的内存墙问题。针对该问题,人们提出了存算融合在一起的类脑计算(neuromorphic computing)。忆阻器由于存在电荷记忆功能,因此受到了广泛关注。
典型的基于memristor的神经网络结构为crossbar结构,如下图所示,
(图片来自文献2)
横纵两个方向的两层金属纳米线构成网状结构,而忆阻器位于金属bar的交叉点,它的功能类似突触(synapse),连接两个神经元。通过配置忆阻器的阻值,crossbar结构可实现矩阵的乘法运算。
以上是对忆阻器的简单介绍,认识比较肤浅,欢迎大家指正!
参考文献: