對於相同的任務，此晶片用於片上學習的能耗僅為先進專用積體電路（ASIC）系統的3%。

目前，生成式人工智慧引發了人工智慧產業新一輪發展浪潮。大算力支援的人工智慧技術正在極大地改變人類的生活和工作方式。然而，人工智慧模型所需的大量參數導致對運算能力的需求不斷增加，迫切需要找到解決方案來彌補巨大的運算差距並實現能源效率的顯著提高。高性能、高能效晶片已成為算力的具體載體和驅動這一波智慧革命發展的核心基礎，也是人類社會不斷發展的原動力。

針對傳統儲存運算分離架構限制運算能力的重大挑戰，清華大學積體電路學院吳華強教授和高斌副教授重點研究儲存電阻儲存運算整合技術，探索了一種儲存運算分離技術。

記憶電阻儲存運算一體化技術從裝置、電路和理論運算等方面徹底革新了傳統馮諾依曼運算架構，實現了運算能力和能效的跨越式提升。此技術還可利用底層設備的學習特性，支援即時片上學習，賦能基於本地學習的邊緣訓練新場景。目前國際層面的相關研究主要集中在儲存電阻陣列層面的學習功能演示。然而，實現支援高效片上學習的全域整合式儲存電阻晶片仍面臨重大挑戰，這主要是由於傳統反向傳播訓練演算法所需的高精度權重更新方法與儲存電阻的實際特性相容性較差。

針對上述問題，吳華強教授和高斌副教授基於儲存運算一體化運算範式，開發了全球首款全域整合式儲存電阻的儲存運算一體化晶片，支援高效能片上學習（機器學習可直接在硬體端完成）。他們在支援片上學習的記憶電阻儲存運算一體晶片領域取得重大突破，有望推動人工智慧、自動駕駛和穿戴式裝置的發展。相關成果已在線發表於最新一期《Science》雜誌。

據悉，該晶片實現了片上學習能耗僅為先進專用積體電路（ASIC）系統的1/35，同時還有望實現75倍的能源效率提升。

基於記憶體-電阻器儲存-運算整合的通用演算法和架構，可實現高效的片上學習。

使用神經形態記憶電阻晶片進行邊緣學習

小型車自動追蹤控制增量學習演示

對於相同的任務，該晶片實現片上學習的能耗僅為先進技術下專用ASIC系統的3%，展現出突出的能源效率優勢，滿足人工智慧高算力需求的巨大潛力時代。這為突破傳統馮諾依曼運算架構下的能源效率瓶頸提供了一條創新的發展路徑。

「儲存與運算一體化的片上學習可以有效保護用戶隱私和數據，同時實現更低的延遲和更小的能耗。」博士後研究員姚鵬博士解釋道。該晶片參考仿生大腦處理方法，可針對不同任務實現快速“片上訓練”和“片上識別”，以低功耗有效執行邊緣計算場景下的增量學習任務，以適應新情況、學習新事物知識，滿足用戶的個人化需求。

例如，有些人習慣在數字「7」中間加短劃線。起初，智慧晶片無法識別這個符號，但經過對兩個或三個這樣的書寫「7」的訓練後，它可以準確地將其識別為數字「7」。

在複雜多變的國際情勢下，突破技術「瓶頸」仍然是當前的焦點。

面對先進研發設備短缺等現實問題，團隊成員對於自己採取的每一步是否正確、結果是否能夠達到預期、技術是否可以進一步優化等都有些茫然。所有這些對每個人來說都是巨大的負擔。

首先，存在技術挑戰。憶阻器晶片的研發涉及材料科學、物理學、電子工程等多個學科的前沿知識。在眾多技術挑戰中，首先要解決的是如何實現憶阻元件的大規模整合。團隊透過大量的實驗和理論研究，提出了架構-電路-流程協同優化的方法，為儲存運算整合系統的設計提供了指導。

其次，存在工程挑戰。隨著大規模整合製程和關鍵電路設計的到位，如何克服由自下而上的多尺度非理想效應所造成的誤差並將其組裝成高效的系統晶片？在團隊師生的共同努力下，提出了STELLAR架構，完成了演算法最佳化和模擬實驗，製作出了高效能儲存運算一體化學習晶片，實現了速度和能效的顯著提升。

「這條路雖然艱難，但意義非凡，是當前全球高科技領域的重要戰場。」高斌認為。晶片研究是一個漫長而艱鉅的過程，目前還看不到明顯的突破。但透過不斷的研究和學習，取得了寶貴的成果。

作為學術論文的第一作者，張文斌和姚鵬在博士學習期間在半導體、微電子、軟體演算法、神經擬態計算等多個研究領域中獲得了廣泛的知識。他們累積了豐富的研發成果和寶貴的工程經驗。

從無到有，從弱到強。在這條沒有捷徑的科學研究道路上，這些「晶片青年」經歷了無數次準備和觀察後放棄的時刻，又在無數次挫折後重新出發，克服了一個又一個挑戰。

展望未來，吳華強希望團隊的解決方案和技術能超越實驗室，有效推動科研成果轉換。他們致力於服務國家和社會的需求。