芯东西（公众号：aichip001）
作者 | 刘煜
编辑 | 陈骏达
7月14日由芯东西发布消息，7月2日，一项重要研究成果出现在国际顶级学术期刊《科学》上。新基石研究员、北京大学集成电路学院/集成电路高精尖创新中心教授、深圳研究生院信息工程学院院长杨玉超团队，携手中国科学院上海微系统与信息技术研究所宋志棠研究员团队等，发表了题为“A sub-10-millisecond neural dynamical system based on phase-change memristors”的研究报告。
此次合作研究成功打造出全球首个基于相变忆阻器的毫秒级神经动力学系统芯片。这一突破性进展解决了相变型忆阻器长久以来遇到的“可控存内计算”的国际性难题，并将神经动力学系统的单步运算时延首次缩短至2.12毫秒。
实验验证了，当执行相同的神经动力学任务时，该系统相比目前最顶尖的ASIC专用加速器，速度上实现了3.82至36.27倍的提升，同时功耗降低到了原来的7.8%至3.9%。在脑皮层表面重建等高保真脑建模任务方面，该系统对比英伟达A100 GPU，速度提升幅度达到50.38至478.18倍。
在这篇论文的共同第一作者中，有北京大学蔡磊博士后（现任北京化工大学讲师）、北京大学陶耀宇助理教授、中国科学院上海微系统与信息技术研究所解晨晨研究员以及北京大学闫龙皞博士后。通讯作者则包括杨玉超教授、宋志棠研究员、北京大学朱毅鑫助理教授和陶耀宇助理教授。
《科学》杂志在同一期，针对此研究发表了一篇专题观点评述文章（Perspective），其中高度赞扬了该工作“代表了一种物理驱动计算的理念转变”。这项工作还入选了“面向2030北京大学重大培育项目”。
这项研究受到了新基石研究员项目、国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、深圳市重点产业研发计划等多项资助。
论文链接：https://doi.org/10.1126/science.aee6277
一、利用可控连续电导动态迭代计算，综合高精度与实时性优势
神经动力学系统将神经网络的能力和微分方程的连续演化机制相结合，能够模拟大脑神经活动的连续变化，适用于物理世界建模、计算成像等应用领域。但是，半个世纪以来，这类系统面临了一个挑战：模型的精度越高，计算量就越大，实现实时运行非常困难。
具体讲，神经动力学系统结合了神经网络的表达能力和微分方程的连续演化机制，可以从带噪声、不完整的影像数据中恢复出平滑、拓扑一致的三维脑结构。然而，其求解过程需要反复积分、误差控制和自适应步长搜索，计算量大，并且在传统的冯·诺依曼计算架构中，存储和计算是分开的，神经动力学系统中的中间变量需要在处理器和存储器之间反复传输，这导致了延迟和能耗的增加。
面对这一挑战，杨玉超研究团队从忆阻器器件物理的角度出发，提出了一条以“可控存内计算”为核心的融合创新路线。这条路线不是简单地把传统数字电路加速，而是转换了研发方向，使用相变存储器自身的物理特性来进行计算。
相变存储器具有连续电导演变和多级电导调控的特点，其电导状态不仅可以被精确地编程，而且可以在特定时间窗口内呈现出可预测、可映射、可调控的动态变化。
研究团队利用相变存储器的这些特性，将其与神经动力学系统中的自适应积分过程对应起来，使得器件本身的电导演变不再仅仅是存储状态的变化，而转变成了可以被精确使用的原位计算过程。
基于这一发现，该团队提出了细粒度可控电导漂移调控的机制，将有效积分步长直接编码为相变存储器的电导状态，并利用器件自身的物理演化来完成自适应步长搜索。
简单来说，过去需要数字电路完成的步长搜索、判断和调整，现在可以通过忆阻器内部的物理变化来实现。
▲细粒度可控电导漂移调控机制
此外，研究团队还利用相变存储器的
