相變憶阻器如何實現「存算一體」打破馮諾依曼架構？

Question

Accepted Answer

相變憶阻器透過「可控存內計算」機制，從根本上消弭了傳統架構的數據搬運瓶頸

北京大學與中國科學院上海微系統所聯合團隊提出的「可控存內計算（Controllable Compute-in-Memory）」新模式，徹底顛覆了傳統馮·諾依曼架構的數據處理方式。該團隊利用相變憶阻器（Phase-Change Memristor）內建的多級電導特性與可控電導漂移（CCD）機制，將神經網絡的權重直接編碼至憶阻器的電導狀態，並在同一陣列中同步完成矩陣乘累加（MAC）運算與自適應積分步長的原位搜索。此舉從物理底層消除了數據在處理器與記憶體之間反覆搬運所造成的延遲與功耗問題，實現了真正的「存儲即計算」。
傳統架構的「Memory Wall」效應是神經動力學計算的關鍵瓶頸

長久以來，全球晶片設計沿襲的馮·諾依曼架構，將運算單元與記憶體單元分離。這意味著在處理神經動力學相關的複雜計算任務，例如人腦模擬或神經信號推演時，海量中間數據必須在內存與處理器之間頻繁往返。這種數據搬運的過程，即所謂的「Memory Wall」效應，導致了顯著的運算延遲和巨大的功耗，嚴重制約了高精度即時神經動力學仿真的實現，進而阻礙了腦科學與腦機接口技術的發展。
相變憶阻器透過映射權重與原位運算，實現存儲與計算的融合

相變憶阻器因其獨特的物理特性，成為打破這一瓶頸的關鍵。透過將神經網絡的權重直接映射到憶阻器陣列的各個單元所具有的不同電導態，研究團隊得以在同一個物理空間內完成運算。更重要的是，該團隊開發了可控電導漂移（CCD）機制，使得憶阻器的電導值能夠被精確控制和調整，從而能夠同步執行矩陣乘累加（MAC）運算，並進行自適應積分步長的原位搜索。這種將計算邏輯內嵌於記憶體單元中的設計，徹底消除了傳統架構下數據搬運的開銷，實現了計算與存儲的無縫整合。
新型晶片在神經動力學任務上展現出跨時代的性能飛躍

基於上述「可控存內計算」模式，研究團隊成功研製出全球首款基於相變憶阻器的神經動力學系統晶片。該晶片採用 40 奈米 CMOS 製程，僅 0.28 平方毫米的面積便整合了超過 14.7 萬個憶阻器單元。在實際測試中，該晶片將神經動力學單步積分時延壓縮至 2.12 毫秒，達到了「亞 10 毫秒級」的實時運算能力。相較於輝達 A100 GPU，在處理包含 190 萬個頂點的大腦皮層表面重建任務時，新型晶片的速度最高提升了 478.18 倍，同時功耗大幅降低，展現了其在腦科學研究、智慧醫療及腦機介面等領域的巨大潛力。

閱讀紀錄

隱藏 →

此記錄會在頁面關閉後消失

相變憶阻器如何實現「存算一體」打破馮諾依曼架構？

Loading

你覺得這篇文章有幫助嗎？

有幫助

沒幫助

回報問題

1

0

0

分享給好友