研究前沿：清华大学吴华强，忆阻器存算一体芯片 | Nature Materials

传统冯·诺依曼架构因存储与计算分离导致的“存储墙”和“功耗墙”问题，已难以满足人工智能等数据密集型应用日益增长的算力需求。基于忆阻器的模拟存内计算技术，通过在存储阵列内直接利用欧姆定律和基尔霍夫电流定律完成矩阵-向量乘法等核心运算，在能效和算力方面展现出革命性潜力。然而，模拟计算的噪声敏感性以及器件、电路层面的非理想特性（如电导漂移、器件间波动性、寄生电阻等）会导致计算误差，难以同时实现高精度。清华大学吴华强教授与唐建石团队在Nature Materials上发表综述文章，从忆阻器器件与阵列到系统架构和算法，逐层剖析了存内计算层级中的计算误差来源，评估了为最大限度减少这些误差所采取的策略，并重点介绍了面向高精度模拟存内计算的材料与器件创新、阵列级技术以及算法-架构协同设计框架。文章通过剖析计算精度与实现成本之间的权衡，为将基于忆阻器的模拟存内计算技术从概念验证原型推向大规模部署，以加速人工智能发展，绘制了路线图。