学院教授吴华强、副教授高滨团队基于存算一体计算范式，研制出全球首颗全系统集成的、支持高效片上学习的忆阻器存算一体
该芯片包含支持完整片上学习所必需的全部电路模块，成功完成图像分类、语音识别和控制任务等多种片上增量学习功能验证，展示出高适应性、高能效、高通用性、高准确率等特点，有效强化智能设备在实际应用场景下的学习适应能力，有望促进人工智能自动驾驶、可穿戴设备等领域的发展。
忆阻器，全称记忆电阻器(Memristor)。它是表示磁通与电荷关系的电路器件。忆阻具有电阻的量纲，但和电阻不同的是，忆阻的阻值是由流经它的电荷确定。因此，通过测定忆阻的阻值，便可知道流经它的电荷量，从而有记忆电荷的作用。
1971年，蔡少棠从逻辑和公理的观点指出，自然界应该还存在一个电路元件，它表示磁通与电荷的关系。2008年，惠普公司的研究人员首次做出纳米忆阻器件，掀起忆阻研究热潮。纳米忆阻器件的出现，有望实现非易失性随机存储器。并且，基于忆阻的随机存储器的集成度、功耗、读写速度都要比传统的随机存储器优越。
此外，忆阻是硬件实现人工神经网络突触的最好方式。2012年，比勒菲尔德大学托马斯博士及其同事制作出一种具有学习能力的忆阻器。2013年，安迪·托马斯利用这种忆阻器作为人工大脑的关键部件，他的研究结果发表在《物理学学报D辑：应用物理学》杂志上。
安迪·托马斯解释说，因为忆阻器与突触的这种相似性，使其成为制造人工大脑——从而打造出新一代电脑——的绝佳材料，“它使我们得以建造极为节能、耐用，同时能够自学的处理器。”托马斯的文章总结了自己的实验结果，并借鉴其他生物学和物理学研究的成果，首次阐述了这种仿神经系统的电脑如何将自然现象转化为技术系统，及其中应该遵循的几个原则。这些原则包括，忆阻器应像突触一样，“注意”到之前的电子脉冲；而且只有当刺激脉冲超过一定的量时，神经元才会做出反应，忆阻器也是如此。
在国内，钱鹤、吴华强团队2012年开始研究用忆阻器来做存储，但由于忆阻器的材料器件优化和集成工艺不成熟，团队只能靠自己在实验室里摸索，在一次次失败的实验中探索提高器件的一致性和良率。两年后，清华大学与中科院微电子所、北京大学等单位合作，优化忆阻器的器件工艺，制备出高性能忆阻器阵列，成为我国率先实现忆阻器阵列大规模集成的重要基础。
近些年，随着人工智能应用对计算和存储需求的不断提升，集成电路芯片技术面临诸多新挑战。一方面，摩尔定律“渐行渐远”，通过集成电路工艺微缩的方式获得算力提升越来越难；另一方面，计算与存储在不同电路单元中完成，会造成大量数据搬运的功耗，增加延迟。如何用计算存储一体化突破AI算力瓶颈，成为近年来国内外的科研热点。
过去很多年里，学术界和产业界探索了多种用于实现存算一体的硬件，忆阻器被认为是极具前景的器件之一。吴华强教授此前谈到，基于忆阻器的新型存算一体架构，可以打破算力瓶颈，满足人工智能等复杂任务对计算硬件的高需求。
不过，想让忆阻器阵列实现芯片的功能，还需解决器件、系统、算法等方面的瓶颈。吴华强表示，忆阻器固有的非理想特性，例如器件间波动、器件电导卡滞、电导状态漂移等，会导致计算准确率降低；此外，在架构方面，忆阻器阵列实现卷积功能需要以串行滑动的方式连续采样、计算多个输入块，无法匹配全连接结构的计算效率。
从最新的研究成果来看，吴华强团队似乎解决了这些困难。该团队创新设计出适用于忆阻器存算一体的高效片上学习的新型通用算法和架构，研制出全球首颗全系统集成的、支持高效片上学习的忆阻器存算一体芯片。
相同任务下，该芯片实现片上学习的能耗仅为先进工艺下专用集成电路（ASIC）系统的3%，展现出卓越的能效优势，极具满足人工智能时代高算力需求的应用潜力，为突破冯·诺依曼传统计算架构下的能效瓶颈提供了一种创新发展路径。
吴华强介绍，存算一体片上学习在实现更低延迟和更低能耗的同时，能够有效保护用户隐私和数据。该芯片参照仿生类脑处理方式，可实现不同任务的快速“片上训练”与“片上识别”，能够有效完成边缘计算场景下的增量学习任务，以极低的耗电适应新场景、学习新知识，满足用户的个性化需求。
近几年，人工智能技术的发展对算力的需求越来越高，同时传统计算架构的瓶颈也越来越明显，学术界和产业界都在积极探索新的发展模式来解决这一问题，存算一体技术凭借突出的能效比优势脱颖而出。而在实现存算一体的各类器件中，忆阻器的先天优势明显。此次清华大学研制出支持片上学习的忆阻器存算一体芯片，意义重大。
汽车部门将专注于中长期投资和研究，而且将成立北美研发中心，专注于为美国和加拿大市场研究
阵列可以实现基于物理定律（欧姆定律和基尔霍夫定律）的并行计算，同时实现存储与计算
旨在计算单元与存储单元融合，在实现数据存储的同时直接进行计算，以消除数据搬移带来的开销，极大提升运算效率，以实现计算存储的高效节能。
力能效极限 /
力新篇章 /
计算范式研制出的全球首颗全系统集成支持高效片上学习（机器学习能在硬件端直接完成）的
朋友送的滑盖智能机 为了找回资料我花了500多 拆解小米MIX3 #吃拆玩呗
