神经网络是人工智能-人工神经网络算法与金融

SUBSCRIBEto US

ISTOCKPHOTO

未来驱动人工智能的一些最佳电路可能是模拟电路，而不是数字电路，世界各地的研究团队正在越来越多地开发支持此类模拟人工智能的新设备。

在驱动AI当前爆炸的深层神经网络中神经网络是人工智能，最基本的计算是乘法累加（MAC）运算。深度神经网络由人工神经元层组成，在MAC操作中神经网络是人工智能，每一层的输出乘以它们与下一层连接的强度或“权重”值，然后将这些贡献相加。

现代计算机有专门用于MAC操作的数字元件，但从理论上讲，模拟电路可以用更少的能量进行这些计算。这种被称为模拟AI、内存中计算或内存中处理的策略通常使用非易失性存储器设备（如闪存、磁阻RAM（MRAM）、电阻RAM（RRAM）、相变存储器（PCM）和更为深奥的技术）来执行这些乘法累加操作。

然而，韩国的一个团队正在探索基于镨钙锰氧化物电化学RAM（ECRAM）设备的神经网络，这种设备就像微型电池，以电导变化的形式存储数据。研究在韩国浦项科技大学的主要作者Chuljun Lee指出，神经网络硬件在训练期间和应用期间经常有不同的需求。例如，低能量屏障有助于神经网络快速学习，但高能量屏障有助于它们保留所学知识，以便在应用过程中使用。

德国尤利希研究中心彼得·格伦伯格神经形态计算节点研究所所长、电气工程师John Paul Strachan没有参加这项研究。他说：“在训练过程中，将设备加热到100摄氏度左右，可以产生有利于训练的特性。当它冷却下来时，他们获得了更长的保留时间和更低的电流操作的优势。只需调整一个旋钮，热量，他们就可以在多个计算维度上看到改进。”研究人员于12月14日在旧金山举行的IEEE国际电子设备会议（International Electron Devices Meeting (IEDM)）上详细描述了他们的发现。

Strachan指出，这项工作面临的一个关键问题是，经过多次加热和冷却后，ECRAM可能会面临何种劣化。不过，“这是一个非常有创意的想法，他们的工作证明了这种方法可能有一些潜力。”

另一组研究了铁电场效应晶体管 (FEFET)。研究主要作者、圣母大学的 Khandker Akif Aabrar 解释说，FEFET 在每个晶体管内以电极化的形式存储数据。

FEFET 面临的一个挑战是，当它们缩小时，它们是否仍然可以显示对 AI 应用程序有价值的模拟行为，或者它们是否会突然切换到只存储一位信息的二进制模式，极化状态为一种状态或另一种状态。

“这个团队工作的优势在于他们对所涉及材料的洞察，”Strachan说，他没有参与这项研究，“铁电材料可以被认为是由许多小磁畴组成的块体，就像铁磁体可以被认为是上下磁畴一样。为了实现他们所希望的模拟行为，他们希望所有这些磁畴在外加电场的作用下缓慢地向上或向下排列，而不是出现一个失控的过程，在这个过程中它们都会向上或向下移动。”因此，他们用多个介电层物理分解了铁电超晶格结构，以减少这种失控过程。

该系统实现了94.1%的在线学习准确率，这与其他FEFET和RRAM技术相比非常好，科学家在12月14日的IEDM会议上详细介绍了这一发现。Strachan指出，未来的研究可以寻求优化属性，如当前水平。

来自日本和台湾科学家的一种新型微芯片，采用c轴定向晶体氧化铟镓锌制成。这项研究的合著者、日本半导体能源实验室公司的Satoru Ohshita指出，他们的氧化物半导体场效应晶体管（OSFET）的超低电流操作低于每个电池1毫安，操作效率为143.9万亿次/秒/瓦，这是迄今为止模拟AI芯片中报道得最好的，12月14日在IEDM会议上详细介绍了调查结果。“这些都是极低电流的设备，”Strachan说，“由于所需的电流非常低，您可以将电路块变大，从而获得512×512个存储单元的阵列，而RRAM的典型数字更像是100×100。这是一个巨大的胜利，因为较大的电路块在存储权重方面具有二次优势。” 当OSFET与电容器结合时，它们可以以90%以上的准确度保留信息30小时。Strachan说：“这可能是一段足够长的时间，可以将这些信息转移到一些波动性较小的技术上。几十小时的保留时间并不是交易的破坏者。” 总之，“研究人员正在探索的这些新技术都是概念验证案例，提出了关于他们未来可能面临的挑战的新问题，”Strachan说，“他们还指出了通往代工厂的道路，这是他们生产大批量、低成本商业产品所需要的。”

微信号｜IEEE电气电子工程师

新浪微博｜IEEE中国

· IEEE电气电子工程师学会 ·

往期推荐