當今許多重要的科學問題–從奈米級材料建模到大規模氣候科學–都可以透過複雜的方程式來探索。然而，當今的數位計算系統在速度、能耗和基礎設施方面已經達到了執行這些計算的極限。包括馬薩諸塞大學阿默斯特分校工程師在內的一組研究人員已經證明，他們的類比計算設備- 憶阻器（Memristor）可以繞過數位計算的限制，完成複雜的科學計算任務。

麻省理工大學阿默斯特分校製作的整合晶片範例照片，其中包含不同尺寸的憶阻器橫條陣列。圖片來源：Can Li

馬薩諸塞大學阿默斯特分校電機與計算機工程系教授、《科學》（Science）雜誌上發表的這項研究的通訊作者之一夏強飛解釋說，在當前的計算方法下，每次要存儲信息或為電腦佈置任務時，都需要在記憶體和計算單元之間移動資料。當複雜的任務需要移動大量資料時，處理過程中就會出現”交通堵塞”。

傳統計算解決此問題的方法之一是增加頻寬。相反，Xia 和他在阿默斯特大學、南加州大學以及計算技術製造商TetraMem 公司的同事們利用模擬憶阻器技術實現了內存計算，透過減少數據傳輸次數來避免這些瓶頸。

團隊的記憶體計算依賴於一種名為”憶阻器”的電子元件–它是記憶體和電阻器（控制電路中的電流）的結合體。憶阻器可以控制電路中的電流流向，同時還能”記憶”先前的狀態，即使在電源關閉的情況下也是如此，這與當今基於晶體管的計算機晶片不同，後者只能在有電的情況下儲存資訊。憶阻器裝置可編程為多個電阻等級，從而提高了一個單元的資訊密度。

當這種憶阻器電路被組織成一個交叉棒陣列時，就能以大規模並行的方式利用物理定律進行模擬計算，從而大大加快矩陣運算的速度，而矩陣運算是神經網路中最常用但卻非常耗電的計算。計算在設備現場進行，而不是在記憶體和處理之間移動資料。夏用交通作類比，把內存計算比作大流行病高峰期幾乎空無一人的道路：”你消除了交通，因為（幾乎）每個人都在家工作，”他說。 “我們同時工作，但只將重要數據/結果發送出去”。

先前，這些研究人員已經證明，他們的憶阻器可以完成低精度計算任務，例如機器學習。其他應用還包括類比訊號處理、射頻感測和硬體安全。

夏說：”在這項工作中，我們提出並演示了一種新的電路架構和編程協議，它可以使用多個相對低精度的模擬器件（如憶阻器）的加權和來有效地表示高精度數，與現有的量化方法相比，大大降低了電路開銷、能耗和延遲。這篇論文的突破在於，我們進一步推動了這一領域的發展。這項技術不僅適用於低精度的神經網路運算，也適用於高精度的科學計算”。

在原理驗證演示中，憶阻器解決了靜態和時變偏微分方程、納維-斯托克斯方程式和磁流體力學問題。

他說：”我們突破了自己的舒適區，從邊緣計算神經網路的低精度要求擴展到高精度科學計算。”

馬薩諸塞大學阿默斯特分校的團隊和合作者花了十多年時間才設計出合適的憶阻器設備，並為模擬內存計算構建了相當規模的電路和計算機晶片。 “我們過去十年的研究使模擬憶阻器成為一項可行的技術。現在是時候把這樣一項偉大的技術推向半導體行業，使廣大的人工智慧硬體社群受益了。”

編譯自: ScitechDaily