本文介绍了一项关于全集成可编程忆阻器芯片的研究，该研究由Fuxi Cai、Justin M. Correll、Seung Hwan Lee等作者共同完成，研究团队来自密歇根大学电气工程与计算机科学系，部分作者现任职于三星电子。该研究于2019年7月发表在《Nature Electronics》期刊上。

研究背景

忆阻器（Memristor）是一种两端电阻器件，其电导状态依赖于一个或多个内部状态变量，并可以通过外部刺激的历史进行调节。由于其紧凑的器件结构以及能够在同一物理位置存储和处理信息的能力，忆阻器和忆阻器交叉阵列在神经形态计算、机器学习和边缘计算等领域得到了广泛研究。然而，以往的忆阻器计算硬件大多依赖于外部电路板或离散参数分析仪来提供接口和控制电路，限制了其实际应用。为了实现忆阻器计算硬件的潜力，研究人员需要开发全功能系统，将忆阻器交叉阵列与必要的模拟接口电路、数字总线和可编程处理器集成在一起。

研究目标

本研究的目标是设计和制造一种全集成、功能完备、可重新编程的忆阻器芯片，将忆阻器交叉阵列与所有必要的接口电路、数字总线和处理器集成在一起，形成一个完整的硬件系统。通过这种集成，系统可以灵活地编程以实现不同的计算模型和网络结构。

研究流程

1. 芯片设计与制造：研究团队设计并制造了一种全集成忆阻器/CMOS系统，其中忆阻器交叉阵列直接集成在CMOS电路之上。该系统包括一组完整的模数转换器（ADC）、数模转换器（DAC）、数字总线、存储器和处理器。忆阻器阵列通过电荷域操作来最小化由于忆阻器器件非线性I-V特性引起的乘法误差。

2. 系统架构：系统架构包括一个54×108的忆阻器交叉阵列，每个行和列都连接了两个写DAC、一个读DAC和一个13位ADC。系统还集成了一个OpenRISC处理器，用于控制数字和模拟组件的操作。

3. 实验验证：研究团队在同一个芯片上实现了三种广泛使用的计算模型：感知器网络、稀疏编码算法和双层主成分分析（PCA）系统。通过实验验证了这些模型的有效性。

主要结果

1. 感知器网络：研究团队在芯片上实现了一个单层感知器网络（SLP），用于分类5×5的希腊字母图像。经过在线训练后，SLP在训练集和测试集上均达到了100%的分类准确率。

2. 稀疏编码算法：研究团队还实现了稀疏编码算法，通过局部竞争算法（LCA）在芯片上进行了实验验证。实验结果表明，该算法能够正确重建输入图像，并最小化激活的神经元数量。

3. 主成分分析与分类：研究团队在芯片上实现了一个双层神经网络，用于乳腺癌筛查数据的PCA分析和分类。实验结果表明，该系统在训练和测试数据上的分类准确率分别为94%和94.6%。

研究意义

本研究展示了全集成忆阻器/CMOS系统在神经形态计算和机器学习中的潜力。通过将忆阻器交叉阵列与所有必要的接口电路和处理器集成在一起，研究人员成功实现了多种计算模型的高效运行。这种集成系统为边缘计算和物联网（IoT）等应用提供了高效的硬件解决方案，能够实现实时数据处理并降低能耗。

研究亮点

1. 全集成系统：本研究首次实现了忆阻器交叉阵列与所有必要接口电路和处理器的全集成，展示了其在多种计算模型中的灵活性和高效性。
2. 在线学习：研究团队在芯片上实现了在线学习，展示了忆阻器器件在训练和推理中的潜力。
3. 多模型验证：通过在同一芯片上实现感知器网络、稀疏编码算法和PCA系统，研究团队验证了该系统的多功能性和可编程性。

未来展望

尽管本研究展示了忆阻器/CMOS系统的潜力，但仍有许多优化空间。未来的研究可以进一步改进忆阻器器件的均匀性和线性度，优化系统设计以提高性能和能效，并探索更大规模的网络应用。此外，随着算法和硬件的进一步发展，这种系统有望在更复杂的任务中得到广泛应用。