Neuromorphic Computing and Engineering编辑优选：用于无标签数据处理的忆阻器硬件
本篇研究来自北京大学杨玉超课题组和黄如课题组。本文系统介绍了用于无标签数据处理的忆阻器硬件这一新兴领域。从不同的无标签数据处理算法的原理出发，介绍了该算法的忆阻器计算系统实现策略以及应用前景，总结了该领域存在的问题以及解决方案，包括非理想因素和电压降等，并提出了该领域将来的发展方向在于工艺和良率的优化、软硬件协同和寻找新原理的器件等。
文章介绍
Memristive Devices Based Hardware for Unlabeled Data Processing
Zhuojian Xiao（肖卓建）, Bonan Yan（燕博南）, Teng Zhang（张腾）, Ru Huang（黄如） and Yuchao Yang（杨玉超）
通讯作者：
- 杨玉超，北京大学
- 黄如，北京大学
在对无标签数据处理、忆阻器以及二者结合的重要性进行简要介绍之后，本论文根据算法种类，将现有的忆阻器硬件研究工作进行了系统总结。这些计算硬件所基于的忆阻器包括金属氧化物忆阻器、相变忆阻器、自旋忆阻器、离子栅晶体管和铁电晶体管等，所实现的算法包括主成分分析、k-means、稀疏编码、自编码器、Hopfield网络、受限波尔兹曼机和脉冲神经网络等。这些忆阻器硬件的信号编码方式既有数字和模拟的，还包括适用于神经形态硬件的脉冲信号，其应用涵盖了机器视觉的特征提取、生物医疗的基因数据分析和疾病检测以及神经形态计算领域的联想记忆和高效优化问题求解等。
在对上述忆阻器计算系统进行总结和对比分析基础上，本论文提出了现有的忆阻器硬件普遍存在的问题。这些问题包括：1）器件的非理想因素，如缺陷、器件涨落和寄生效应等，这些非理想因素影响了算法的精度和收敛性。2）电压降，电压降会导致硬件的规模和计算并行度降低，从而影响硬件可拓展性和效率。3）器件的初始化问题，忆阻器需要一个较大的电压来对器件初始化，该电压会导致其他器件受到损害。最后，本论文提出了忆阻器计算系统的未来发展方向在于工艺和良率的持续优化、软硬件协同和寻找新原理的器件等。
研究背景：
人工智能浪的主要挑战之一在于寻找到更快速和高效的硬件，从而在海量数据中提取有价值的信息和知识。带标签的数据处理较为方便，但带标签的数据需要人工标注，其代价高昂。因此，无标签数据处理算法和硬件在人工智能应用中是更为普适的任务。无标签数据处理算法既包括如主成分分析和聚类等传统机器学习手段，还涵盖多种神经网络模型，例如受限玻尔兹曼机、Hopfield网络、生成对抗网络和脉冲神经网络等。这些算法中包含有大量的矩阵向量乘以及神经元模型等计算单元。用传统的COMS硬件来实现上述计算代价高昂，而用忆阻器来执行则能够在面积和能量开销方面获得巨大提升。因此，将基于忆阻器的硬件用于无标签数据处理将对人工智能产生巨大的促进作用。
作者介绍
杨玉超 教授
北京大学
- 杨玉超，北京大学长聘教授、国家杰青获得者。长期从事忆阻器、类脑计算、存算一体芯片等研究，在Nature Reviews Materials、Nature Nanotechnology、Nature Electronics、Nature Communications、Science Advances、IEDM等权威期刊和会议发表论文120余篇。获首届科学探索奖、求是杰出青年学者奖、《麻省理工科技评论》中国区35岁以下科技创新35人等奖项，入选2020全球前2%顶尖科学家榜单、2020年与2021年爱思唯尔“中国高被引学者”。
黄如 教授
北京大学
- 黄如，北京大学教授、中国科学院院士、发展中国家科学院院士、IEEE Fellow。长期从事集成电路科学与工程研究，在新型低功耗逻辑与存储器件、神经形态器件及类脑计算、边缘智能计算芯片、可靠性及EDA等共性技术方面取得系统创新成果。连续被列入多个版本的国际半导体技术发展路线图ITRS，在国际上产生重要影响，相关成果转移到国内外知名IC制造、设计和EDA公司。迄今在领域标志性会议IEDM、VLSI和标志性期刊EDL、TED上发表100余篇论文，2篇ISSCC论文被遴选为大会Highlight亮点论文；应邀做国际会议大会和特邀报告50余次。曾获国家技术发明二等奖、国家科技进步二等奖、北京市科学技术一等奖（2次）、教育部自然科学一等奖、教育部科技进步一等奖、中国青年科技奖等多项国家和部委级奖励。
期刊介绍
Neuromorphic Computing and Engineering
- Neuromorphic Computing and Engineering（NCE）是一本涵盖多个学科领域、采用开放获取（OA）形式出版的期刊。NCE期刊将神经形态系统的硬件和计算方面结合在一起，读者群覆盖工程、材料科学、物理、化学、生物学、神经科学和计算机科学等领域，跨越学术界和产业界的各个群体。在NCE期刊上发表的研究需针对神经形态系统和人工神经网络领域做出及时而重要的贡献。