美国团队开发基于AlScN的AI计算架构

基于铁氧体二极管的计算内存体系结构允许在同一位置进行处理和存储

宾夕法尼亚大学工程与应用科学学院的一组研究人员，以及桑迪亚国家实验室和布鲁克海文国家实验室的科学家，介绍了一种基于AlScN铁二极管的计算架构。

据称，基于AlScN的内存计算（CIM）体系结构是AI的理想选择，它允许在同一位置进行处理和存储，消除了传输时间，并将能耗降至最低。这项工作发表在《纳米通讯》上。

AlScN的优点是可以在足够低的温度下沉积，以便与硅代工厂兼容。研究人员Troy Olson说：“大多数铁电材料需要更高的温度。AlScN的特殊性能意味着我们展示的存储器件可以在垂直异质集成堆栈中位于硅层顶部。”

2021年，该团队确定了AlScN作为内存计算引擎的可行性。其小型化、低成本、资源效率、易于制造和商业可行性的能力在研究和工业界看来都取得了重大进展。

在最近的研究中，该团队观察到，他们的CIM铁氧体二极管的执行速度可能比传统计算架构快100倍。

该领域的其他研究已成功使用内存计算架构来提高AI应用的性能。然而，这些解决方案是有限的，无法克服性能和灵活性之间的矛盾权衡。使用记忆电阻纵横阵列的计算架构，模拟人脑结构以支持神经网络操作的高性能，也显示出令人钦佩的速度。

然而，神经网络操作使用多层算法来解释数据和识别模式，只是功能AI所需的几个关键数据任务类别之一。该设计的适应性不足，无法在任何其他AI数据操作上提供足够的性能。

Penn团队表示，他们的铁氧体二极管设计提供了其他计算内存体系结构所没有的开创性的灵活性。它实现了卓越的精度，在三种基本数据操作中表现同样出色，而这三种操作是有效AI应用的基础。它支持片上存储，或存储深度学习、并行搜索所需的大量数据的能力，支持精确数据过滤和分析功能，以及神经网络计算的核心过程矩阵乘法加速。

该项目的共同负责人Deep Jariwala说：“必须认识到，目前所有的人工智能计算都是在几十年前设计的硅硬件架构上启用软件的。这就是为什么人工智能作为一个领域一直由计算机和软件工程师主导的原因。从根本上重新设计AI硬件将成为半导体和微电子领域的下一个重大变革。我们现在的方向是硬件和软件协同设计。”

'Reconfigurable Compute-In-Memory on Field-Programmable Ferroelectric Diodes' by Xiwen Liu et al; Nano Letters 2022 22 (18)

声明：本篇文章属于原创，拒绝转载，如果需要转载，请联系我们，联系电话：0755-25988571。