一种基于忆阻器的贝叶斯机-忆阻器的物理特性

在过去的几十年里，机器学习模型在各种实际任务上的性能有了显著提高。然而，训练和实现大多数这些模型仍然需要大量的能量和计算能力。

因此，世界各地的工程师一直在努力开发可以更有效地运行人工智能模型的替代硬件解决方案，因为这可以促进它们的广泛使用并提高它们的可持续性。其中一些解决方案基于忆阻器，即可以在不消耗能量的情况下存储信息的存储设备。

巴黎萨克雷大学-CNRS、格勒诺布尔-阿尔卑斯-CEA-LETI大学、HawAI.tech、索邦大学和艾克斯-马赛大学-CNRS的研究人员最近使用忆阻器创建了一个所谓的贝叶斯机器（即一种基于贝叶斯定理执行计算的人工智能方法）。他们提出的系统在Nature Electronics上发表的一篇论文中介绍，发现比目前采用的硬件解决方案更节能。

“人工智能今天正在取得重大进展，但面临着一个挑战：其相当大的能源消耗，”进行这项研究的研究人员之一Damien Querlioz告诉TechXplore。现在人们已经很清楚，这种消耗来自计算机中计算函数和记忆函数之间的分离。由于人工智能使用大量数据，因此需要大量内存，就能源而言，访问成本很高。我们的大脑更加节能，因为记忆功能尽可能接近计算功能，我们希望重现这种策略。

忆阻器本质上是基于纳米器件的电气元件，它们限制或调节电路中的电流流动，同时还事先记录了其中传递的能量。当它们执行计算和信息存储时，这些设备可以更好地再现人脑的信息处理策略。

“直到最近，忆阻器还是一种新兴技术，我们无法用它们实现完整的系统，”Querlioz解释说。“现在，我们的团队建造了一台’贝叶斯机器’，一种带有忆阻器的小型人工智能。该原型包括2，048个氧化铪忆阻器和30，080个硅晶体管（MOSFET）。

Querlioz及其同事创建的贝叶斯机器将忆阻器与传统的互补金属氧化物半导体（CMOS）技术集成在一起。研究人员创建了该机器的原型，并评估了其在手势识别任务中的性能。值得注意的是，他们发现它可以识别特定的人类手势，其能耗比基于微控制器的传统硬件解决方案少数千倍。

“大多数关于基于忆阻器的机器学习的研究都旨在实现深度学习，”Querlioz说。“当然，这是一个极其重要的目标，因为深度学习在今天非常成功。然而，深度学习有一些局限性：它的结果是不可解释的，并且在数据很少的情况下表现不佳。在这里，我们选择实施贝叶斯推理，这是一种替代的人工智能方法，在大数据应用中表现不佳，深度学习效果很好，但在小数据情况下表现出色，并提供完全可解释的结果。

未来，这组研究人员创建的基于忆阻器的贝叶斯机器可以帮助提高人工智能模型的能源效率，同时也有可能激发其他类似解决方案的开发。它对于安全关键型应用特别有用，例如医疗传感器或监控工业设施安全的电路。

Hawai.tech 是一家为团队贝叶斯算法开发做出贡献的初创公司，现在正在使用该机器来创建这些传感器。

“我们已经设计了一个相当放大的贝叶斯机器版本，目前正在制造中，我们已经将机器背后的原理应用于其他机器学习方法，”Querlioz补充道。“随着我们在复杂性方面扩展我们的设计，我们开始达到学术团体可能的极限。因此，我们同时致力于新技术，即下一个忆阻器。