分身有术！南大缪峰团队提出迄今最高并行度的神经形态计算方案_南京大学

南京大学

在刚刚过去的考试月里，同学们有没有应接不暇之感，恨不能把一个脑子当两个用，分身出另外一个“自己”帮忙复习多门功课呢？虽然“分身术”助力考试只是幻想，但是在信息技术中，却完全有可能实现哦。今天，小南就要为你科普一下我校最新研制的“分身术”。

南京大学

神奇的“分身术”

这种“分身术”在计算科学中被称之为“并行计算技术”。在我们现在的电脑和手机等各类计算硬件中，一种实现“分身术”的方式就是将多个分身真正制造出来。比如说：麒麟990的CPU拥有8个ARM核心，AMD的5950x处理器达到了16个x86核心。这些都是依靠“人多力量大”，多个核心同时处理任务来加强芯片的处理能力。但是，这种并行技术与其说是“分身术”，还不如说是“七个葫芦娃合体变成了小金刚”，需要更多的硬件资源来支撑这类并行技术。

在处理涉及人工智能等海量计算需求任务时，现有的硬件计算技术又开始犯难了，往往需要耗费大量的硬件资源、功耗和时间成本来完成这些任务。不过好在科学家们提出了一种称为“神经形态计算”的技术路线，在硬件结构上就模仿神经网络结构，从而大大降低了计算功耗，提高了计算效率。这类神经形态计算技术也被称为“类脑智能技术”，那这类炫酷的计算技术也能“修炼”出“分身术”吗？

南京大学

基于频分复用神经形态并行计算方案

南京大学物理学院缪峰合作团队就此开展了研究，提出和实现了迄今最高并行度的神经形态计算方案，于近日在《自然·纳米技术》（Nature Nanotechnology）杂志上以《Scalable massively parallel computing using continuous-time data representation in nanoscale crossbar array》（利用连续时间数据表达在纳米尺度交叉阵列上实现可扩展大规模并行计算）为题发表了他们的工作。南京大学物理学院博士生王聪和副教授梁世军为共同第一作者，缪峰教授为该工作的通讯作者，共同作者还包括东南大学和紫金山实验室张在琛教授、张川教授团队。

该团队利用忆阻器交叉阵列可实时连续地处理动态信息的特点，提出利用时间上连续的信号作为信息载体，引入频率维度，提出了迄今最高并行度的神经形态计算方案。作为验证，团队利用两个级联的忆阻器交叉阵列，成功实现了对16张字母图片的并行识别。该工作为回答《科学》杂志在今年4月份提出的125个最具挑战性前沿科学问题中的“计算机处理速度是否有上限”的问题提供了新的思路，并为利用大规模并行计算技术在神经形态计算领域实现应用提供了科学基础。

该计算方案具有两种操作模式：并行读取模式和并行计算模式。在实验中，研究团队将两个分别工作在读取和计算模式下的阵列进行级联，实现了并行读取、并行识别、与识别结果传输的功能演示。

南京大学

图1 基于频分复用神经形态并行计算方案，对16张字母图片的并行读取、并行识别、与识别结果传输的示意图

在实验演示中，第一个阵列储存了代表16张“NANJING UNIV CHINA”的5*5像素的字母图片，第二个阵列储存了用于识别上述9类字母的神经网络权重。当给第一个忆阻器阵列按列施加不同频率、相同幅值的电压信号时，在第一个阵列内完成了并行读取的过程。通过电流-电压转换，第一个阵列的信息被直接加载到第二个阵列的输入信号中。通过第二个忆阻器阵列的推理之后，完成了对16张图片的同时分类。同时，频分复用计算的输出信号和无线频分复用通信系统中的通讯信号相互兼容，还可以通过无线射频模块直接完成识别结果的无线传输。

南京大学

应用前景

值得一提的是，在该工作中，虽然团队利用忆阻器阵列作为硬件展示，但是该频分复用计算技术可以广泛应用于相变存储器、磁隧穿结存储器、浮栅器件等其他神经形态计算硬件上。该工作为未来人工智能时代，填补海量数据计算需求所面临的算力缺口提供了可行的技术途径。