IBM的研究表明模拟芯片可为机器学习而大幅加速

（文章来源：cnBeta）

人工智能或许能解决一些科学和行业最棘手的挑战，但要实现人工智能，需要新一代的计算机系统。IBM在博客中的一篇文章中指出，通过使用基于相变存储器（Phase-Change Memory，简称PCM）的模拟芯片，机器学习可以加速一千倍。

相变存储器基于硫化物玻璃材料，这种材料在施加合适的电流时会将其相从晶态变为非晶态并可恢复。每相具有不同的电阻水平，在相位改变之前是稳定的。两个电阻构成二进制的1或0。

PCM是非易失性的，访问延迟与DRAM水平相当，他们都是存储级内存的代表。英特尔与美光联合开发的3D XPoint技术就基于PCM。IBM在博客中透露，为了实现AI真正的潜力，在纽约州立大学和创始合作伙伴成员的支持下，IBM正在建立一个研究中心，以开发新一代AI硬件，并期待扩展其纳米技术的联合研究工作。

IBM Research AI硬件中心合作伙伴涵盖半导体全产业链上的公司，包括IBM制造和研究领域的战略合作伙伴三星，互联解决方案公司Mellanox Technologies，提供仿真和原型设计解决方案软件平台提供商Synopsys，半导体设备公司Applied Materials和Tokyo Electron Limited（TEL）。

还与纽约州奥尔巴尼的纽约州立大学理工学院主办方合作，进行扩展的基础设施支持和学术合作，并与邻近的伦斯勒理工学院（RPI）计算创新中心（CCI）合作，开展人工智能和计算方面的学术合作。

IBM研究院的半导体和人工智能硬件副总裁Mukesh Khare表示，目前的机器学习限制可以通过使用新的处理硬件来打破，Mukesh Khare提到将深度神经网络（DNN）映射到模拟交叉点阵列（模拟AI核心）。它们在阵列交叉点处具有非易失性存储器材料以存储权重。

DNN计算中的数值被加权以提高训练过程中决策的准确性。这些可以直接用交叉点PCM阵列实现，无需主机服务器CPU干预，从而提供内存计算，无需数据搬移。与英特尔XPoint SSD或DIMM等数字阵列形成对比，这是一个模拟阵列。PCM沿着非晶态和晶态之间的8级梯度记录突触权重。每个步骤的电导或电阻可以用电脉冲改变。这8级在DNN计算中提供8位精度。

在IBM的研究报告中指出：“模拟非易失性存储器（NVM）可以有效地加速”反向传播（Backpropagation）“算法，这是许多最新AI技术进步的核心。这些存储器允许使用基础物理学在这些算法中使用的“乘法-累加”运算在模拟域中，在权重数据的位置处并行化。

“与大规模电路相乘并将数字相加在一起不同，我们只需将一个小电流通过电阻器连接到一根导线上，然后将许多这样的导线连接在一起，让电流积聚起来。这让我们可以同时执行许多计算，而不顺序执行。也不是在数字存储芯片和处理芯片之间的传输数字数据，我们可以在模拟存储芯片内执行所有计算。

我们的模拟AI内核是性能效率内存计算方法的一部分，通过消除与内存之间的数据传输来突破所谓的冯·诺伊曼结构瓶颈，从而提高了性能。深度神经网络被映射到模拟交叉点阵列，并且切换新的非易失性材料特性以在交叉点中存储网络参数。
        （责任编辑：fqj）