自旋電子存儲芯片結合了數據存儲和處理，增強了人工智能的有效性。

為了做出準確的預測並可靠地完成任務，大多數人工智能 (AI) 系統需要快速分析大量數據。目前，這需要在現有電子設備中分離的處理單元和存儲單元之間傳輸數據。

過去幾年，許多工程師一直在嘗試開發能夠更有效地運行人工智能算法的新硬件，即內存計算（CIM）系統。 CIM 系統是可以執行計算和存儲信息的電子組件，通常用作處理器和非易失性存儲器。非易失性本質上意味著它們即使在關閉時也可以保留數據。

先前提出的大多數 CIM 設計都基於模擬計算方法，該方法允許設備使用電流執行計算。儘管能源效率很高，但眾所周知，模擬計算方法的精確度明顯低於數字計算方法，並且通常無法可靠地處理大型人工智能模型或大量數據。

來自南方科技大學、西安交通大學等機構的研究人員最近開發出了一種很有前途的新型CIM芯片，可以幫助更快地運行人工智能模型，並提高能源效率。

他們提議的系統，在文件中概述 發表 V 天然電子學基於所謂的自旋轉移磁性隨機存儲器（STT-MRAM），這是一種自旋電子器件，可以在底層之一的磁性方向上存儲二進制信息單元（即 0 和 1）。

利用自旋電子學讓人工智能更高效地工作

像該研究團隊使用的 STT-MRAM 設備本質上是由一種稱為磁隧道結 (MTJ) 的微小結構製成的。該結構具有三層：具有“固定”方向的磁性層、可以改變其方向的磁性層以及分隔其他兩層的薄絕緣層。

當兩個磁性層具有平行的磁方向時，電子可以輕鬆地隧道穿過器件，但只要它們相反，電阻就會增加，電子的流動就會變得更加困難。 STT-MRAM 設備使用這兩種不同的狀態來存儲二進制數據。

“CIM 非易失性宏（即可以處理和存儲數據的預先設計的片上功能模塊）可以減少處理單元和存儲單元之間的數據傳輸，從而實現快速、節能的人工智能計算，”Humiao Li、Zheng Chai 及其同事在論文中寫道。

“然而，非易失性 CIM 架構通常依賴於模擬計算，這在準確性、可擴展性和可靠性方面受到限制。我們報告了基於 40 nm STT-MRAM 技術的 64 KB 非易失性數字計算宏。”

邁向更具可擴展性的人工智能硬件的一步

研究人員提出的基於 STT-MRAM 的模塊可以在單個設備中可靠地執行計算和存儲位。它在最初的測試中表現出奇的好，以驚人的速度和準確性運行兩種不同類型的神經網絡。

作者寫道：“我們的宏提供了位單元級別的原位乘法和數字化、宏觀級別的精確可重構數字加法和累加以及算法級別的切換速率感知學習方案。” “該宏支持具有靈活輸入精度和權重（4、8、12和16位）的無損矩陣向量乘法，並且可以為具有8位精度的殘差網絡和具有16位精度的物理感知神經網絡提供軟件等效的輸出精度。

“我們的宏具有 7.4–29.6 ns 的計算延遲和 7.02–112.3 teraops 每瓦的功率效率，可在 4 至 16 位的精確配置中實現完全並行的矩陣向量乘法。”

未來，該團隊新開發的CIM可以幫助直接在手持設備上高效部署人工智能，而無需依賴大型數據中心。在接下來的幾年裡，這也可能會激發基於 STT-MRAM 或其他自旋電子器件的類似 CIM 系統的開發。

© 2025 科學 X 網絡