芯東西（公眾號：aichip001）
作者 | 劉煜
編輯 | 陳駿達
芯東西7月14日報道，7月2日，新基石研究員、北京大學集成電路學院/集成電路高精尖創新中心教授、深圳研究生院信息工程學院院長楊玉超團隊，聯合中國科學院上海微系統與信息技術研究所宋志棠研究員團隊等，在國際頂級學術期刊《科學》發表題為“A sub-10-millisecond neural dynamical system based on phase-change memristors（基於相變憶阻器的亞10毫秒神經動力系統）”的研究成果。
相關團隊成功研制出全球首個基於相變憶阻器的毫秒級神經動力學系統芯片，突破了相變型憶阻器長期面臨的“可控存內計算”國際難題，首次將神經動力學系統的單步運算時延壓縮至2.12毫秒。
實驗結果顯示，在執行相同神經動力學任務時，該系統相比當前最先進ASIC專用加速器速度提升3.82至36.27倍，功耗降低到至7.8%至3.9%；在腦皮層表面重建等高保真腦建模任務中，該系統相比英偉達A100 GPU，速度提升50.38至478.18倍。
展開全文
北京大學蔡磊博士後（現任北京化工大學講師）、北京大學陶耀宇助理教授、中國科學院上海微系統與信息技術研究所解晨晨研究員和北京大學閆龍皞博士後為該論文的共同第一作者，楊玉超教授、宋志棠研究員、北京大學朱毅鑫助理教授和陶耀宇助理教授為該論文通訊作者。
《科學》雜志同期針對該研究發表專題觀點評述文章（Perspective），高度評價該工作“代表了一種物理驅動計算的理念轉變”。相關工作入選“面向2030北京大學重大培育項目”。
該研究得到新基石研究員項目、國家重點研發計劃、國家自然科學基金、廣東省存算一體芯片重點實驗室、深圳市重點產業研發計劃等支持。
論文鏈接：https://doi.org/10.1126/science.aee6277
一、利用可控連續電導完成動態迭代計算，兼具高精度與實時性
神經動力學系統將神經網絡的表達能力與微分方程的連續演化機制相結合，可以模擬大腦神經活動中的連續變化過程，可被應用於物理世界建模、計算成像等領域。但自其誕生半個世紀以來，這類系統面臨一個難題：模型精度越高，計算量越大，想做到實時運行十分困難。
具體而言，神經動力學系統將神經網絡的表達能力與微分方程的連續演化機制結合起來，能夠從帶噪聲、不完整的影像數據中恢複平滑、拓撲一致的三維腦結構。但其求解過程需要反複積分、誤差控制和自適應步長搜索，計算量巨大，並且在傳統馮·諾依曼計算架構中存儲與計算分離，神經動力學系統中間變量需要在處理器和存儲器之間反複傳輸，導致延遲和能耗增加。
面對這一難題，楊玉超研究團隊從憶阻器器件物理出發，提出了一條以“可控存內計算”為核心的融合創新路線：不是把傳統數字電路做得更快，而是換了一條研發路徑，用相變存儲器本身的物理特性來做計算。
相變存儲器具有連續電導演化和多級電導調控能力，其電導狀態不僅可以被精細編程，而且能夠在特定時間窗口內呈現可預測、可映射、可調控的動態變化。
研究團隊利用相變存儲器這一特性，將其與神經動力學系統中的自適應積分過程建立對應關系，使器件本身的電導演化不再只是存儲狀態的變化，而成為可被精確利用的原位計算過程。
基於這一發現，該團隊提出細粒度可控電導演化機制，將有效積分步長直接編碼為相變存儲器的電導狀態，並利用器件自身物理演化完成自適應步長搜索。
簡單來說，過去由數字電路完成的步長搜索、判斷和調整，現在可以通過憶阻器內部的物理變化完成。
▲細粒度可控電導漂移調控機制
同時，該團隊利用相變存儲器的多級電導調控能力，構建高密度存內計算陣列，將內嵌神經網絡的權重存儲和矩陣運算統一映射到器件陣列中。
通過這種方式，神經動力學系統中的兩類核心計算——自適應積分步長搜索和神經網絡矩陣運算，被統一放入存內計算架構中完成，減少了傳統芯片中的數據搬運、緩存訪問以及大量乘加運算。
該方案減少了傳統數字硬件中頻繁的讀寫、乘法運算、緩存訪問與數據搬運等高開銷操作，兼具高精度與實時性，為後摩爾時代計算芯片提供了一種全新範式。
▲多級電導特性精准映射調控機制
這一成果標志著在神經動力學系統實時計算方面取得關鍵突破，它不僅將原本需要離線運行的複雜建模方法推向毫秒級實時在線操作，也為下一代腦機接口、腦數字孿生、神經導航和神經退行性疾病智能診療提供了全新的硬件底座。
▲基於相變型憶阻器的毫秒級神經動力學系統
二、運行頻率為50 MHz，單次迭代計算時延達2.12毫秒
基於上述設計，研究團隊采用40納米工藝制造了一款神經動力學芯片。