清华团队研制成功，全球首颗支持片上学习忆阻器存算一体芯片

　　现在生成式人工智能已经引爆新的智能革命发展的浪潮，计算能力支撑下的人工智能技术是人类的生产和生活方式改变着随之而来的需求大量的计算能力，庞大的计算能力不足问题如何解决，实现能源效率大幅提升，变得越来越迫切。

　　最近，清华大学教授吴华强和副教授高斌基于一体化存储计算范例，在存储存储一体化芯片领域取得重大突破。《科学》（science）以《edge learning using a fully integrated neuro-inspired memristor chip》为题，在权威学术杂志《科学》（Science）上在线发表。

　　据介绍，记忆电阻器是继电阻、电容器、感应之后的第四电路的基本部件。即使断电也能记录通过的电荷，因此被称为新的纳米电子突触零件。

　　忆阻器存算一体技术从底层器件，配件、电路结构计算和理论全面计算，传统计算架构，冯诺伊曼是计算能力和提高能源效率的跨越式技术还能够实现终端设备可以利用的学习特点，支持实时片上学习，陪可以以地区为基础的学习训练的边缘新场景。

　　然而实现全系统集成的、支持高效片上学习的忆阻器芯片仍面临较大挑战，至今还未实现的原因主要是传统的逆转宋训练算法所要求的高精权重更新方式和在利斯特的实际特性之间的兼容性比较不好的缘故。

　　为解决上述挑战，该研究团队基于存算一体计算范式，创造性提出适配忆阻器存算一体实现高效片上学习的新型通用算法和架构（STELLAR），大规模堵排列和模拟型忆的有效实现cmos外知道三维集成、算法、结构通过整合方式的全过程协同创新，世界上最早研制出全系统集成，支持高效芯片学习的内存集成芯片。

　　这个芯片是学习芯片所需的所有电路模块，图像分类，包括语音识别和控制等多种任务的芯片增量学习功能的验证，成功地完成了工作，高适应性、高能源效率高的普遍性，展现出较高的准确度等特点。

　　同时，芯片具有能效的优点，在相同的作业中，芯片仅达到尖端技术专用集成电路（asic）系统能耗的3%，能效的瓶颈现象为冯·诺依曼传统计算架构提供了突破的新途径