忆阻器的实际应用前景（杨建华教授团队在忆阻器研究中取得重大突破）

Nature:杨建华教授团队在忆阻器研究中取得重大突破

人工智能和神经网络的发展已经引起了全世界的关注，但是很少有人意识到，这些技术的运行依赖于硬件的性能和可靠性。硬件是软件的基础，也是AI的瓶颈。随着神经网络的规模和复杂度不断增加，硬件的需求也在不断增长，而现有的硬件技术却难以跟上这种速度。因此，研究和开发新型的硬件解决方案，是推动AI进步的重要途径。 近年来，一种被称为忆阻器的新型存储设备引起了科学界的广泛兴趣。忆阻器是一种非易失性存储器，可以在断电后保持其状态。忆阻器还具有模拟神经元和突触行为的能力，因此可以用于构建类脑计算系统。然而，忆阻器也面临着一些挑战，比如噪声、稳定性和可扩展性等。 为了克服这些挑战，华裔科学家杨建华教授领导的团队与南加州大学、麻省理工学院和马萨诸塞大学的研究人员合作，开发了一种用于降低忆阻器噪声的协议，并在集成芯片中展示了其实用性。他们使用了一种由商业晶圆代工厂生产的256 × 256忆阻器阵列单片集成在CMOS电路上，在完全集成芯片中实现了2048个可区分的电导等级，这比此前研究的电导等级高出一个数量级。他们的研究成果发表在国际顶级学术期刊Nature上，题为《Thousands of conductance levels in memristors integrated on CMOS》。 这项研究表明，这种新型的存储芯片具有目前已知的所有类型的存储技术中最高的每设备的信息密度(11位)。这意味着它可以存储更多的信息，而且更节能。这种芯片不仅可以用作内存，还可以用作处理器，在一个小芯片上并行执行数百万个忆阻器运算，快速完成人工智能任务。这种芯片利用了原子位置来表示信息，而不是电子数量，从而提供了一种紧凑而稳定的方式来模拟地存储信息。此外，信息可以在存储的地方进行处理，而不是被传输到专用处理器中，消除了当前计算系统中存在的冯·诺依曼瓶颈。

这项创新可能会为我们的电子设备带来不可思议的能量和智能。它可以使边缘设备如谷歌眼镜等实现强大的人工智能功能，也可以使芯片变得更小更强大。这项技术还可以提供更多层次的记忆，以帮助提高信息密度。未来，这项技术可能会让我们在个人设备上运行迷你版ChatGPT等高级人工智能应用，从而降低成本并拓展应用范围。

原文链接：（点击阅读全文即可）https://www.nature.com/articles/s41586-023-05759-5

欢迎关注我们

微信公众号 / soft_electronics