北京大学40纳米忆阻器芯片性能超越英伟达A100最高达478倍

根据7月14日发表在《科学》杂志上的一篇论文，一款基于相变忆阻器的神经形态芯片在脑皮层重建任务中，计算速度比英伟达A100 GPU最高提升478倍。北京大学和中国科学院上海微系统与信息技术研究所的研究人员设计了这款芯片，它摒弃了传统的数字加速方式，而是利用存储器件本身的物理行为来求解神经动力学方程。

这款40纳米芯片面积仅为0.28平方毫米。它集成了用于矩阵运算的内存内计算阵列和用于自适应积分的步进漂移阵列，单次迭代延迟为2.12毫秒。这是神经动力学硬件首次在单次迭代中将延迟推至毫秒阈值以下，使得此前只能离线运行的应用可以实时运行。

神经动力学为何难以实现

神经动力学模型描述了神经活动随时间演化的过程。它们需要迭代求解微分方程。传统的冯·诺依曼架构在独立的存储单元和处理单元之间穿梭数据，造成瓶颈，使得高保真模型的实时执行变得不切实际。北京大学团队通过利用相变忆阻器的物理特性规避了这一问题。

相变忆阻器具有连续可变的电导，可以进行精确编程。研究人员将神经动力学求解器中所需的自适应步进搜索过程直接映射到忆阻器的自然电导演化上。该器件不是通过多个时钟周期来完成步长搜索、判断和调整，而是通过自身的物理演化来执行这些任务。作者称这种计算方式为物理驱动计算。

多电平电导控制还使得同一阵列能够同时存储神经网络权重并执行模拟矩阵乘法，从而在单个物理层中融合了存储与计算。

原始性能数据

在实验中，该芯片在速度上比最先进的ASIC加速器快3.82至36.27倍，而功耗仅为后者的3.9%至7.8%。最引人注目的结果来自高保真脑皮层表面重建任务，在该任务中，芯片的性能比英伟达A100 GPU高出50.38至478.18倍。

该芯片以50 MHz频率运行，采用9级流水线。结果表明，架构创新（而非蛮力并行）可以为特定计算工作负载带来数量级的性能提升。

从大脑模型到脑机接口

《科学》杂志同期发表了一篇配套的观点文章，将这项研究描述为一种范式转变。其意义远不止于所展示的脑建模应用。毫秒级的神经动力学为实时脑机接口、用于个性化医疗的大脑数字孪生、手术用神经导航系统以及帕金森病和阿尔茨海默病等神经退行性疾病的智能诊断打开了大门。

英特尔（Loihi）和IBM（TrueNorth）的传统神经形态芯片专注于基于脉冲的计算，非常适合分类和模式识别。而北京大学芯片则侧重于不同的领域：连续时间、迭代求解作为生物物理神经模型基础的微分方程。这使得它既不同于传统的GPU，也不同于脉冲神经加速器。

该研究得到了新基石研究员项目、国家重点研发计划、国家自然科学基金以及广东省内存计算芯片重点实验室的支持。

随着半导体行业面临摩尔定律缩放的终结，这款芯片展示了另一条发展路径, , 一种由器件物理而非晶体管密度驱动性能提升的路径。