在铁电RAM内存中执行计算

在一项新的 Nature Communications 研究中，研究人员开发了一种内存铁电微分器，能够直接在内存中执行计算，而无需单独的处理器。

拟议的差异化因素承诺能源效率，尤其是对于智能手机、自动驾驶汽车和安全摄像头等边缘设备。

图像处理和运动检测等任务的传统方法涉及多步骤的能源密集型流程。这从记录数据开始，这些数据被传输到存储单元，存储单元进一步将数据传输到微控制器单元以执行差分作。

由于差分运算是多项计算任务的基础，研究人员利用铁电材料的特性来制造他们的设备。

Tech Xplore 与共同作者来自华东师范大学的 Bobo Tian 教授和 Chungang Duan 教授进行了交谈。“我们一直致力于研究使用铁电材料的类脑器件大约十年。由于铁电材料具有非易失性极化，因此通常用于存储和新兴的内存计算。

冯·诺依曼瓶颈

现代计算的基础在于 von Neumann 架构。在此类系统中，内存和处理单元是分开的，这使得它们的效率非常低。

处理单元和内存之间的数据传输会导致延迟，并且需要大量能源。这被称为冯·诺依曼瓶颈，是现代计算架构中更紧迫的问题之一。

此外，对于某些任务（如图像和视频处理），内存要求过高，因为执行作需要当前帧和前一帧。

研究人员通过利用铁电材料的动态行为来解决这些问题。

铁电电容器

当不施加外部电场时，铁电材料具有固有的极化，这在施加电场时可以反转。

由于这种动态行为，铁电材料可以在其偶极子的极化或对齐中存储和保留信息。这被称为域切换，域是指材料中具有特定极化的区域。

“在铁电域切换过程中，会发出可测量的电流信号，因为铁电切换本质上是偶极子极性的变化，这必须产生电流。这种现象在其他非挥发性材料中很少见，因为参数变化只能通过后续的读取作来检测，“段教授解释说。

因此，研究人员决定使用铁电电容器作为他们的差异化器件。电容器本身会根据电荷的存储方式对随时间的变化进行建模，使其成为差分作的理想选择。

此外，电容器存储和释放电荷的方式模拟了存储器。电容器会记住它在放电之前保持了多少电荷，这转化为信息存储为电容器两端的电压电平。

这种器件被称为铁电 RAM 或 FeRAM。它像闪存一样是非易失性的，这意味着即使电源以极化的形式关闭，该器件也会记住信息。

边缘设备的未来

研究人员构建了一个由 1,600 个铁电聚合物电容器组成的 40x40 无源交叉开关阵列。这意味着该设备没有任何其他有源元件，如晶体管。

电容器可以直接执行计算，在单个设备中用作 RAM 和 CPU，无需数据传输。

“有趣的是，铁电电容器内的域开关可以在电路中产生宏观可检测的电流。当铁电畴方向被编码以存储信息时，畴切换会提供原位差分信息，“田教授说。

这意味着研究人员使用电流作为信号，直接指示连续输入之间的变化。从本质上讲，该设备可以识别 inputs 之间的差异，而无需额外的计算，同时还可以将新数据写入内存。

研究人员通过在视频处理中进行高效的运动检测和计算一阶和二阶导数来证明这种能力。

内存中的铁电微分器展示了能源效率，当在 1 MHz（兆赫兹）频率下运行时，每次差分计算消耗约 0.24 飞焦耳 （fJ）。

据研究人员称，他们的设备比目前的 CPU 和 GPU（尤其是 Intel 12900 和 NVIDIA V100）的效率高出 5 到 6 个数量级。

由于效率高，这些设备非常适合边缘计算应用，例如视频和图像处理，以及用于实时处理 ECG/EEG 数据的生物医学设备。

该技术的可扩展性似乎也很有希望。

段教授解释说：“由于硅相容的铁电材料，如铪基或氮化铝基铁电材料，没有缩放限制，允许大规模生产能够执行复杂差分计算的铁电阵列 （>1Gbit）。

研究人员解释说，他们的长期愿景是从数据处理过渡到边缘的物理定律计算，其中铁电阵列本身可以解决控制现实世界现象的微分方程。

演示如何使用铁电域切换来执行差分计算。图片来源：田波波教授