当今许多重要的科学问题--从纳米级材料建模到大规模气候科学--都可以通过复杂的方程进行探索。然而，当今的数字计算系统在速度、能耗和基础设施方面已经达到了执行这些计算的极限。包括马萨诸塞大学阿默斯特分校工程师在内的一组研究人员已经证明，他们的模拟计算设备 - 忆阻器（Memristor）可以绕过数字计算的限制，完成复杂的科学计算任务。

麻省理工大学阿默斯特分校制作的集成芯片示例照片，其中包含不同尺寸的忆阻器横条阵列。图片来源：Can Li

马萨诸塞大学阿默斯特分校电气与计算机工程系教授、《科学》（Science）杂志上发表的这项研究的通讯作者之一夏强飞解释说，在当前的计算方法下，每次要存储信息或给计算机布置任务时，都需要在内存和计算单元之间移动数据。当复杂的任务需要移动大量数据时，处理过程中就会出现"交通堵塞"。

传统计算解决这一问题的方法之一是增加带宽。相反，Xia 和他在阿默斯特大学、南加州大学以及计算技术制造商 TetraMem 公司的同事们利用模拟忆阻器技术实现了内存计算，通过减少数据传输次数来避免这些瓶颈。

该团队的内存计算依赖于一种名为"忆阻器"的电子元件--它是内存和电阻器（控制电路中的电流）的结合体。忆阻器可以控制电路中的电流流向，同时还能"记忆"先前的状态，即使在电源关闭的情况下也是如此，这与当今基于晶体管的计算机芯片不同，后者只能在有电的情况下保存信息。忆阻器装置可编程为多个电阻等级，从而提高了一个单元的信息密度。

当这种忆阻器电路被组织成一个交叉棒阵列时，就能以大规模并行的方式利用物理定律进行模拟计算，从而大大加快矩阵运算的速度，而矩阵运算是神经网络中最常用但却非常耗电的计算。计算在设备现场进行，而不是在内存和处理之间移动数据。夏用交通作类比，把内存计算比作大流行病高峰期几乎空无一人的道路："你消除了交通，因为（几乎）每个人都在家工作，"他说。"我们同时工作，但只将重要数据/结果发送出去"。

此前，这些研究人员已经证明，他们的忆阻器可以完成低精度计算任务，如机器学习。其他应用还包括模拟信号处理、射频传感和硬件安全。

夏说："在这项工作中，我们提出并演示了一种新的电路架构和编程协议，它可以使用多个相对低精度的模拟器件（如忆阻器）的加权和来有效地表示高精度数，与现有的量化方法相比，大大降低了电路开销、能耗和延迟。这篇论文的突破在于，我们进一步推动了这一领域的发展。这项技术不仅适用于低精度的神经网络计算，也适用于高精度的科学计算"。

在原理验证演示中，忆阻器解决了静态和时变偏微分方程、纳维-斯托克斯方程和磁流体力学问题。

他说："我们突破了自己的舒适区，从边缘计算神经网络的低精度要求扩展到高精度科学计算。"

马萨诸塞大学阿默斯特分校的团队和合作者花了十多年时间才设计出合适的忆阻器设备，并为模拟内存计算构建了相当规模的电路和计算机芯片。"我们过去十年的研究使模拟忆阻器成为一项可行的技术。现在是时候把这样一项伟大的技术推向半导体行业，使广大的人工智能硬件社区受益了。"

编译自:ScitechDaily