機器學習有兩個基本階段：訓練和推理。人工神經(jīng)網(wǎng)路旨在模仿大腦的運作方式，首先要讀取大量的已知資料——例如狗和貓的圖片——這樣才能學會識別每個物體的樣子以及它們的不同之處；然后經(jīng)過訓練的神經(jīng)網(wǎng)路或模型就可以開始工作，根據(jù)所學到的知識推斷呈現(xiàn)在面前的新資料是什么事物，例如判別影像中的是狗還是貓。pbTesmc

目前大多數(shù)訓練都是在資料中心進行的，但也有少數(shù)是在邊緣端進行。像Google、Facebook、Amazon、Apple和Microsoft這樣的大公司都擁有大量消費者資料，因此可以為他們的「伺服器農(nóng)場」提供足夠多的資料進行工業(yè)規(guī)模的AI訓練，以改善其演算法。訓練階段需要速度非常高的處理器，例如繪圖處理器(GPU)或Google開發(fā)的張量處理器(TPU)。pbTesmc

當邊緣裝置收集到資料——例如建筑物或人臉的照片——并傳送到推理引擎進行分類時，推理就會發(fā)生。以云端為基礎的AI因為固有的延遲缺點，對許多應用來說是不可接受的；例如自動駕駛車需要對看到的物體做出即時決策，這以云端AI架構(gòu)就不可能實現(xiàn)。pbTesmc

隨著AI功能逐漸向邊緣端發(fā)展，它們將推動更多的AI應用，而且這些應用會越來越需要更強大的分析能力和智慧，好讓系統(tǒng)在本地即可做出運作決策，無論是部分還是完全自主的，就像自動駕駛車輛所配備的功能。pbTesmc

傳統(tǒng)CPU不是很擅長這類任務，而高階GPU則是功耗大、價格昂貴；邊緣端推理需要更便宜、功率更低的晶片，可快速透過神經(jīng)網(wǎng)路識別一種動物、一張臉，鎖定一個腫瘤，或?qū)⒌抡Z翻譯成英語。如今有超過30家公司正在研發(fā)AI專用的硬體，以提高在智慧型手機、平板電腦和其他邊緣裝置中完成這類特殊運算任務的效率。pbTesmc

分析師們預測，從2017~2021年，全球AI晶片市場將取得高達54%的年復合成長率(CAGR)，其關鍵成長動力在于能滿足機器學習要求的強大硬體。pbTesmc

消除記憶體瓶頸

所有AI處理器都仰賴于資料集，也就是「學習過的」物件種類(如影像、聲音等等)模型，用以執(zhí)行識別功能；每個物件的識別和分類都需要多次存取記憶體，而當今工程師面臨的最大挑戰(zhàn)就是如何克服現(xiàn)有架構(gòu)中的記憶體存取速度和功耗瓶頸，以實現(xiàn)更快的資料存取，同時降低資料存取消耗的能源成本。pbTesmc

透過在盡可能接近AI處理器核心的位置儲存訓練資料，可獲得最快存取速度和最大能效；但是目前的設計所采用之儲存架構(gòu)，都是幾年前還沒有其他實用解決方案時打造的，仍然是速度快但小容量的嵌入式SRAM與大容量但速度較慢的外部DRAM之傳統(tǒng)組合。當訓練模型以這種方式儲存，嵌入式SRAM、外部DRAM和神經(jīng)網(wǎng)路之間頻繁且大規(guī)模的資料交換會增加功耗及傳輸延遲；此外，SRAM和DRAM都是揮發(fā)性記憶體，限制了在待機狀態(tài)的省電效果。pbTesmc

利用高密度、高速和低功耗的非揮發(fā)性記憶體將整個訓練模型直接儲存在AI處理器晶片上，就可以實現(xiàn)更高的能效和速度。透過實現(xiàn)以記憶體為中心的新架構(gòu)(如圖1)，整個訓練模型或知識庫就可以放在晶片上，直接與神經(jīng)網(wǎng)路連結(jié)，這樣就有實現(xiàn)大規(guī)模節(jié)能與性能提升的潛力，并因此能大幅延長電池壽命并提供更好的用戶體驗。現(xiàn)在已經(jīng)有幾種新一代記憶體技術正競相實現(xiàn)此一目標。pbTesmc

pbTesmc

圖1 記憶體位于AI架構(gòu)中心pbTesmc

ReRAM的潛力

針對AI應用的理想非易失性嵌入式記憶體應該具備如下特點：容易制造、容易整合到成熟的CMOS后段制程、容易微縮到先進制程節(jié)點、可大量供應，并且能夠滿足各種應用對功耗和速度的要求。pbTesmc

在制程微縮方面，電阻式記憶體(ReRAM)會比磁性記憶體(MRAM)或相變化記憶體(PCM)更具優(yōu)勢，這在考量14奈米、12奈米甚至是7奈米晶圓制程時是一個重要因素；其他記憶體技術都需要比ReRAM更復雜和昂貴的制程，運作功耗也更高。pbTesmc

pbTesmc

圖2 ReRAM可以填補記憶體技術的空白pbTesmc

舉例來說，美國業(yè)者Crossbar的ReRAM所采用之奈米絲(nanofilament)技術，可以在不影響性能的情況下微縮到10奈米以下。ReRAM以簡單的元件結(jié)構(gòu)為基礎，采用適合CMOS制程的材料和標準生產(chǎn)流程，可以在現(xiàn)有的CMOS晶圓廠生產(chǎn)；因為是一種低溫、后段制程整合的方案，可以在CMOS邏輯晶圓上整合多層ReRAM陣列，以構(gòu)建3D ReRAM儲存架構(gòu)。pbTesmc

AI需要最佳的每瓦性能，尤其對于小功率的邊緣裝置；ReRAM的能效可達到DRAM的五倍——達到每奈焦(nanojoule) 1,000位元的讀取—同時表現(xiàn)出比DRAM更好的整體讀取性能，高達12.8GB/s，隨機延遲小于20ns。pbTesmc

以記憶體為中心的架構(gòu)

科學家們一直在探索各種新穎的大腦啟發(fā)典范，試圖透過模仿中樞神經(jīng)系統(tǒng)的神經(jīng)元和突觸(synapses)之交互作用來實現(xiàn)更高的能效。以ReRAM技術為基礎的人工神經(jīng)突觸是一種非常有前途的方法，可用于在神經(jīng)形態(tài)結(jié)構(gòu)中實現(xiàn)這些高密度且能終極微縮的突觸陣列。藉由在邊緣端啟動AI，ReRAM有可能在現(xiàn)有和全新的AI解決方案中扮演重要角色。pbTesmc

(參考原文：ReRAM enhances edge AI，by Sylvain Dubois)pbTesmc