当下，飞速进步的技术给芯片的算力要求带来巨大挑战，“算力焦虑”也成为悬在业界头上的一把剑。而随着摩尔定律逐渐失效，通过增加更多晶体管来提升算力的方法，也很难适应新形势。
要想破局就得有“全新的计算器件、计算范式、和计算架构”。近期，清华大学吴华强团队在《自然》刊文报告了其团队基于多忆阻器（Memristor）阵列的存算一体硬件实现。
图 | 吴华强（来源：受访者）
不同于利用 CPU、GPU 进行 AI 计算的传统方式，他们的忆阻器芯片能在不降低神经网络准确度的前提下，大幅提升算力、同时还可显著降低功耗，“算力焦虑”的一剂良药由此诞生。
而这项成果要从似乎没有 “技术感” 的在家办公说起，疫情以来在家办公开始流行起来。这种工作方式既能省去通勤时间，还能降低体力消耗。而这一现象启发了吴华强的研究。
他说，假如居家时间是存储，上班时间就是计算。只要去公司办公，路上肯定会消耗时间和能量，遇到交通拥堵，路上耗时会更久。
而当居家和办公融为一体，即在家办公时，时间和体力都会被节约。这和计算机中的“存储-计算”非常相似。如果存储和计算能合二为一，就可用小功耗实现大算力。
图 | 吴华强团队开发的 8 个包含 2048 个忆阻器的阵列芯片，可大幅提升进行人工智能计算的算力并显著降低功耗（图片来源：Nature）
有着“特异功能”的芯片
忆阻器，是一种与传统晶体管芯片截然不同的全新芯片概念。早在 30 年前，加州大学伯克利分校教授蔡少棠预测，除了电阻、电容、电感之外，理论上还应存在第四种基本电路元件，该元件可直接将电荷量与磁通量两个物理量连接起来，这便是忆阻器概念的雏形。
作为一种被动电子元件，忆阻器除了能让一定的电流安全通过，还可在断电后“记住”器件之前的电阻值，因此它最初只被当成存储器来研究。
吴华强回忆称：“当时，存储器行业的发展遇到了一些瓶颈，急需新兴技术打破僵局。阻变存储器或者说忆阻器就是其中很重要的一项新兴技术。”
而忆阻器也有很多存储优点：比如尺寸小、速度快、低功耗、与 CMOS（互补式金氧半导体）工艺可兼容等。
此外，忆阻器还拥有另一项特殊功能：能在存储数据“原地”实现计算。通常来说，基于传统“冯·诺依曼结构”搭建的计算机，其数据的存储和运算是分开的，平时数据存储在储存器中，需要运算时再把它搬运到运算器里。
然而，AI 类应用需要对大量数据进行矩阵运算，其核心是乘法和加法。对此，吴华强评价称：“目前 CMOS 芯片做大规模矩阵运算的乘加，算力是比较吃紧的，面临着很大挑战。”
此前，华为创始人任正非曾表示，未来的边缘计算是存算一体的，要么把 CPU 做到存储器，要么把存储器做到 CPU 里，这样才能加快计算速度。而在吴华强看来，基于忆阻器的存算一体，正是上述概念的一种实现。
具体来说，如果用交叉阵列的方式做忆阻器，就可获得一种与矩阵很类似的结构，这种结构既可以存数据，也可以做计算。
需要存储时，忆阻器本身就是存储器；而需要运算时，也无需把数据从存储器中搬到运算器里，因为忆阻器可直接用欧姆定律来做乘法运算。
前面提到，缓解“算力焦虑”需要全新的计算器件、范式和架构。而忆阻器正是这种新趋势的器件代表。
而在忆阻器件上用物理定律来直接做乘法计算和加法计算的方式，也和过去利用与非门做布尔逻辑计算的方法很不一样。
因此，忆阻器可以解决信息科学、尤其是集成电路领域里面的一些核心的问题。这也成为吴华强一直坚持深耕该领域的原因。在 AMD 时，他就投身于忆阻器方面的研究工作，这项工作得以在清华延续，并最终打造出一支优秀团队。
实验资源不足，没有条件就创造条件
回望这一路，他都在和电子器件打交道。2000 年，吴华强本科毕业于清华大学材料科学与工程系，2005 年博士毕业于美国康奈尔大学电子与计算机工程学院。
随后，他分别在美国 AMD 公司和飞索半导体公司非易失性存储器研发中心担任高级研究员。
这段业界经历也让他逐渐意识到，相比在企业做市场化产品，他更想从事创新性的的研究工作，因此萌生了回国做科研的想法。2009 年，刚过而立之年的吴华强，回到清华任教。
回顾过往，吴华强总结称：“回到祖国，作为一个科研工作者，和大家一起拼搏，特别开心。我们国家现在发展的势头非常好，国家高度重视科技创新，对于人才的重视，我想是远超过其他国家的。
然而，回国第一年，系里做实验的设备不足，吴华强始终处于找不到资源做实验的状态。
为此，在回清华的头一年半，在正常教学之外，他把八九成时间都花在平台搭建上，在系里面的支持下，对原来系里相对陈旧、落后的实验平台进行了全面的改造和升级。建成后，这也是清华 7x24 小时开放的校级共享实验平台，并成为国家发改委的双创平台和国家集成电路产教融合创新平台。
如今，该平台包含设计、加工和测试三大块，累计拥有 200 多套设备，能够支撑芯片研究。
图 | 建成后的清华大学微纳电子技术支撑平台
此前，由于设备不全并且经常出故障，学生们做一个实验有时得花费数月。而现在，即使校内 20 多个院系和校外团队共同使用该平台，一般也能在一周内完成实验。
对于获得的成果，吴华强说：“我经常‘白加黑、五加二’连轴转却从来不觉得累，偶尔会被质疑但却从未想过放弃，就是因为现在的学术和工作是我真正感兴趣，这是我愿意无限投入进去的事情，这会让我从中感受到快乐。”
忆阻器产品已进行产业化
而让他没有想到的是，兜兜转转之后，他再次和产业打上交道。
2018 年 6 月份，吴华强团队孵化出由清华控股的创业公司——北京新忆科技，专注于将忆阻器进行产业化。
经过两年的努力，他们已经实现 40nm 的工艺，并开发出了相关存储芯片，也已获得物联网和汽车等领域的订单。
目前，他们正在设计一个更大规模、功能更多样化的忆阻器阵列芯片，这款新型芯片的设计已经接近完成，接下来将进行流片和相关测试。一旦问世，将会实现更贴近需求、也更加复杂的实际应用。
在 2019 年的某次会议上，吴华强曾和英特尔 Loihi 神经形态计算芯片的负责人 “打赌”，看将来到底谁的芯片应用得更好。
图 | 忆阻器储存芯片（图片来源：新忆科技）
谈及发展前景，吴华强认为，过去的计算范式已经使用几十年了。在面临严重算力挑战的今天，忆阻器很有可能提供出一种全新的计算范式。
他说：“如果说没有摩尔定律变缓、人工智能算力需求增加这些挑战，可能新的计算范式也不可能进来，我觉得现在是一个好的机会。”
未来的手机、超高清电视、无人系统、数据中心，都将有望用上这种芯片，它能加速处理 AI 应用，给用户带来更好的体验。
图 | 忆阻器芯片在物联网等很多领域有着很好的应用场景（来源：MIT Technology Review）
而在更前沿的应用方向上，吴华强团队的忆阻器也在发力。在脑机接口领域，他们在使用忆阻器进行信号的处理。通过探针等方式得到的脑电波信号是一种模拟信号，过去，我们需要把模拟信号处理成数字信号，再进行解码计算。
而忆阻器本身就是用模拟信号的方式进行存储的，用来处理模拟信号天然拥有更块的计算速度和更低的能耗。更低的能耗意味着，未来使用忆阻器的脑机接口，将可能不需要外接电源，这将极大地提升脑机接口系统的使用便利性。
未来，在纯电计算之外，吴华强还把研究目光投向了同样利用物理原理进行计算的光电计算，以及 “感知、存储、计算” 一体的系统优化和硬件匹配。
“算力焦虑” 正在、并将在接下来的一段时间内继续陪伴着我们的存在。但以忆阻器芯片、光电计算等为代表的一系列新技术，正试图利用硬件层面的革新，把人工智能技术带去更远的未来。
