清华团队全球首颗全系统集成忆阻器存算一体芯片问世，实现高效片上学习

近日，清华大学集成电路学院传来重大科研突破——由吴华强教授和高滨副教授领衔的团队，基于存算一体计算范式，成功研制出全球首颗全系统集成、支持高效片上学习的忆阻器存算一体芯片。该成果已发表于国际顶级期刊《科学》杂志。

想象一下这样的场景：一枚芯片同时具备记忆与计算能力，能够在硬件端直接完成机器学习，并有效保护用户隐私，其能效更是比先进工艺下的专用集成电路系统提升了约75倍。这并非科幻情节，而是清华大学团队实实在在的科研成果。

要理解这项突破的意义，需先回顾计算机的经典架构——冯·诺依曼架构。1946年，“计算机之父”冯·诺依曼提出了沿用至今的计算机设计，采用二进制编码，将数据存储与计算分离，分别交由存储器和处理器负责。然而，随着人工智能等应用对数据处理需求的激增，数据在存储器和处理器之间频繁“搬运”，不仅导致时间长、功耗大，还容易引发“交通堵塞”问题。

此时，忆阻器应运而生。作为继电阻、电容、电感之后的第四种基本电路元件，忆阻器具备一项独特能力：断电后仍能“记住”通过的电荷，因此被视为新型纳米电子突触器件。清华大学团队正是抓住这一特性，创新设计出适用于忆阻器存算一体的高效片上学习算法与架构。

忆阻器存算一体学习芯片及测试系统示意图

具体而言，由钱鹤、吴华强、高滨等教授带领的团队，设计出一整套新型通用算法与架构，使忆阻器存算一体芯片具备高效片上学习能力。在相同任务下，该芯片实现片上学习的能耗仅为先进工艺下专用集成电路系统的约3%，同时能效提升达75倍。

这种“存算一体片上学习”带来的实际优势十分显著。在实现更低延迟与更小能耗的同时，用户隐私和数据安全也能得到有效保障。其原理类似仿生类脑处理方式，能够快速完成不同任务的“片上训练”与“片上识别”，并在边缘计算场景下高效执行增量学习。举例来说：有人习惯在数字“7”中间加一短横，智能芯片最初可能不认识这个符号，但经过两三个类似“7”的训练后，便能准确识别为数字“7”。这种低功耗适应新场景的能力，正是满足用户个性化需求的关键所在。

这颗芯片集成了支持完整片上学习所需的全部电路模块，并成功完成了图像分类、语音识别及控制任务等多种增量学习功能验证。测试结果表明，该芯片具有高适应性、高能效、高通用性和高准确率的特点，能够有效提升智能设备在实际应用场景中的学习适应能力。吴华强教授表示，希望未来团队的技术能够走出实验室，推动科研成果转化，服务于国家和社会发展的实际需求。