在人工智能迅速成长壮大的今天, 传统的 '冯·诺依曼架构' 体系受限于 '存储墙' , 即计算速度和存储信息传递速度之间巨大的鸿沟, 在大规模神经网络计算任务执行中捉襟见肘, 无论是速度还是功耗, 它都已经不能满足人工智能高速发展的要求. 至此, 一种模拟人脑的运行模式, 期望实现计算与存储并行的类脑计算应运而生. 受到人脑中突触能同时进行记忆和计算的启发, 类脑计算可以用阻变存储器模拟突触行为, 通过改变阻变存储器的阻值状态, 同时改变了其在网络中的权重值, 由此阻变存储器单元同时实现存储和计算两种功能, 极大程度地提高了芯片性能. 根据该课题组2017年5月在《自然·通讯》上发表的文章, 类脑芯片可以使功耗降低为原千分之一以下.
图 1 类脑计算示意图
阻变存储器作为最具潜力的电子突触器件, 具有结构简单, 操作电压低, 可大规模集成和与CMOS工艺兼容等优势. 但是类脑计算要求的阻变存储器的双向多值阻变特性微观工作机制尚不清晰, 这一问题严重限制了器件进一步的性能优化. 所谓双向多值阻变特性指的是器件的阻值可以从高到低或从低到高连续变化. '类脑计算中阻变存储器的氧空位分布无序效应模型' 一文中针对氧化物阻变存储器双向多值阻变行为进行深入探索, 采用蒙特卡洛的仿真方法模拟氧空位主导的阻值转变环境, 提出无序度的概念量化微观上氧空位分布引起的宏观上阻值转变行为. 仿真结果显示氧空位的无序分布有利于实现双向多值阻变, 这为用于类脑计算的阻变存储器实现电阻连续变化提供了理论支持和优化指导.
有序和无序的氧空位分布对比图
传统器件和双向连续阻变器件特性对比图
阻变存储器的数据保持能力对器件性能和工作寿命有重大的影响. 虽然存储器的数据保持能力不乏优秀的研究成果, 但是应用于类脑计算的阻变存储器要求的数据保持能力和传统的存储器有所不同, 前者在计算中需要连续变化的电导, 因此更关注中间态 (而不仅仅是高阻态和低阻态两个状态) 的数据保持能力, 而对此问题的研究甚少. '用于类脑计算的阻变存储器数据保持特性研究' 一文中首次研究了1Kb阵列上基于导电细丝的多值阻变存储器中间态数据保持特性的统计行为. 文章通过将1024个器件单元等分为8个阻态, 采用双向调制模式设置初始阻态, 然后在125℃烘烤, 观察阻变存储器单元的多个不同的中间态在高温下随时间的电导分布的变化, 结果显示每个阻态电导分布呈现初态密集, 随时间逐渐展宽的对称分布, 在观测点处的分布呈现正态分布特征, 且正态分布的标准差随时间增长, 而均值保持不变. 该研究成果展示了应用于类脑计算芯片的阻变存储器阵列的数据失效规律, 也为阻变存储器单元的多值特性的可靠性指出优化方向.
清华大学吴华强课题组和兆易创新公司在阻变存储器的研究上一直保持着长期的合作. 兆易创新资深经理陈鸿禹博士参与了此项研究工作并列论文共同著者, 他表示非常感谢高滨教授和赵美然同学, 他们的研究成果不但对高能效的人工智能芯片提供了理论和器件基础, 也同样对高密度阻变存储器芯片的设计产生了重要的意义. 在不久的将来, 清华大学和兆易创新还将携手开发出更大规模的阻变存储器阵列.
