神经形态人工智能新突破

德国德累斯顿的马克斯普朗克微结构物理研究所和塞姆隆研究所的研究人员已经开发出了这项技术，它可以很容易地使用传统的硅制造工艺和系统来实现，为快速商业化铺平了道路。 

降低深度学习系统功耗的一种方法是使用内存计算，其中乘法和累加运算 (MAC) 在内存本身内执行。

一种常见的方法是使用模拟电阻存储设备，例如忆阻器或相变存储器，其中乘法是根据欧姆定律进行的，而累积则是根据基尔霍夫电流定律进行的。

然而，电容设备具有更高的信噪比，研究人员开发了一种电荷屏蔽层，它可以通过向掺杂结施加外部电压或通过非易失性铁电体的影响来传输或屏蔽电场。上电介质层中的存储器。

这使他们能够构建电容存储设备的交叉阵列，以实现高度并行的矢量矩阵乘法。

研究人员制造了一个具有 156 个存储单元的原型交叉阵列，并成功实施了用于字母 M、P 和 I 分类的 5x5 图像识别算法。单个设备显示出 1:1478 的高动态范围和模拟编程能力。

Semron 的 CTO Kai-Uwe Demasius 说：“以前所有的电容方法要么制造不切实际，要么精度低。

详细的模拟显示实验结果与模拟结果之间的良好匹配，证明了尺寸小至 45 nm 的设备的可扩展性。

来源：电子技术设计