美国ADI公司和普林斯顿大学合作实现集存储和计算功能于一体的可编程芯片，加速人工智能发展，并削减功耗

美国ADI公司和普林斯顿大学合作通过改变计算的基本属性，实现集存储和计算功能于一体的可编程芯片，加速人工智能发展，并削减功耗。

成果概述

该芯片基于一种被称为内存计算的技术，可在内存中计算，消除冯诺依曼架构中最主要的计算瓶颈（迫使计算机处理器需要花费时间和能量从内存中获取数据），内存计算直接在存储中执行计算，从而提高速度和效率。该芯片已集成到可编程处理器架构中，可采用标准编程语言，如C，尤其适合依赖高性能计算但电池寿命有限的手机、手表或其他设备上使用。

核心技术

在某种程度上，新芯片是对摩尔定律放缓预期的回应。电气工程副教授Naveen Verma专注于电路和系统设计，考虑了在架构级别而不是晶体管级别上实现摩尔定律（在相同面积内放入更多晶体管）。如果AI可以在与计算机内存相同的位置进行，则AI所需的计算将更加有效，因为将消除用于获取远处存储的数据的时间和能量。如果不升级晶体管，这将使计算机更快。但是创建这样一个系统提出了挑战。存储器电路设计得尽可能密集，以便打包大量数据。另一方面，计算要求将空间用于额外的晶体管。

一种选择是用称为电容器的电子元件替代晶体管。晶体管本质上是使用电压变化代表构成二进制计算机信号1和0的开关。可以使用1和0阵列进行各种计算，这就是系统被称为数字的原因。电容器存储和释放电荷，因此可以代表任何数字，而不仅仅是1和0。Verma意识到，使用电容器，他可以在比晶体管更密集的空间内进行计算。

电容器也可以非常精确地制作在芯片上，远远超过晶体管。新设计将电容器与芯片上的静态随机存取存储器（SRAM）的传统单元配对。电容器和SRAM的组合用于对模拟（非数字）域中的数据进行计算，也可以可靠且易于包括可编程性特征的方式进行计算。现在，存储器电路可以芯片的中央处理单元指示的方式执行计算。

结果测试

在发布芯片成果的同时，也发布了可对其进行编程的系统。电路的实验室测试表明，该芯片的性能比同类芯片快几十到几百倍。但是，最初的芯片并未包含最新版本的所有组件，因此功能有限。

自评

Verma小组的研究生兼芯片设计者之一的Hongyang Jia说：“以前的芯片是有力而强大的引擎。这款芯片就是整个一辆车。”虽然该芯片有广泛应用前景，目标是支持为深度学习推理而设计的系统，这些算法允许计算机通过学习数据集来制定决策和执行复杂的任务，指导自动驾驶汽车，面部识别系统和医疗诊断软件。

Verma表示，对于许多应用而言，芯片的节能与性能提升同样重要。这是因为许多AI应用程序将用于移动电话或可穿戴医疗传感器等由电池供电的设备。例如，Apple iPhone X已经将AI芯片作为其电路的一部分。但是，如果能够通过需要它们的广泛应用程序访问它们，那么节能和性能提升都是有用的 - 这就是对可编程性的需求所在。

Verma说：“内存计算近年来已展现众多前景，真正解决了计算系统的能量和速度。最大问题是，这个前景是否可扩展并用于我们真正关心的所有AI应用程序。这使得可编程性变得必要。“