（图源：摄图网）文/Renee 编辑/孙越近日，清华大学发布的一颗忆阻器存算一体芯片，火了。该芯片的火爆源于一个月前，清华大学发的一篇论文：2023年9月14日，清华大学吴华强及高滨共同通讯在Science在线发表题为“Edge learning using a fully integrated neuro-inspired memristor chip”的研究论文，论文显示，团队基于存算一体计算范式，研制出全系统集成、支持高效片上学习(机器学习能在硬件端直接完成)的忆阻器存算一体芯片。“忆阻器存算一体”这一概念瞬间引爆学界与产业界，甚至登上了微博高位热搜。据笔者获悉，清华大学所用的忆阻器件就是RRAM（ReRAM）。此次清华大学科研成果的意义，不仅在于研发出首颗基于忆阻器（RRAM）的片上学习存算一体芯片，更在于为产业界存算一体存储介质的应用和发展给出了更多方向，以及在技术实践上的引导性意见。本文试图探究，学界与产界为何要选择研发该路线？该路线的发展前景如何？
PART-01
忆阻器存算一体是为何物？
无论是从其官方表述，还是论文中“可重构的忆阻器存算一体架构图”，我们都能明确知道，清华大学所说忆阻器便是阻变存储器RRAM（ReRAM）。2022年9月，清华大学集成电路学院钱鹤、吴华强教授课题组联合斯坦福大学、加州大学圣地亚哥分校（UCSD）、圣母大学等在《自然》（Nature）发表的题为A compute-in-memory chip based on resistive random-access memory研究论文。该论文报道了一款基于忆阻器（阻变存储器）的存算一体芯片NeuRRAM。该芯片具有可重新配置的计算核心（reconfiguring CIM cores），可以兼容不同的模型结构。（可重构的忆阻器存算一体架构图源：清华大学）专家表示，从定义来看，忆阻器(英文：memristor)为电阻受先前通过电荷量控制的电子器件，其特点为通常具有电流电压蝴蝶形回滞曲线。忆阻器的概念最早由蔡少棠教授提出，最早由阻变存储器，即RRAM实验验证，因此经常以RRAM作为忆阻器的代表。当然，严格来说，根据材料和物理机制，忆阻器件可分为阻变存储器（Resistive Random-Access Memory, 简称RRAM或ReRAM)，相变存储器（PCRAM），磁随机存储器（MRAM）和铁电随机存储器（FeRAM）等不同种类。此外还有光电忆阻器、有机材料忆阻器、流体忆阻器等。也就是说，忆阻器有着诸多选项，那么为何要选择阻变存储器RRAM？我们都知道的是，传统冯·诺依曼结构下，数据的存储和计算相互分离，即数据存储在储存器中，需要计算时再把它搬运到运算器里。然而，AI类应用（例如大模型）需要对大量数据进行矩阵运算，其核心是乘法和加法，在此情形下算力是比较吃紧的，面临着很大挑战。如何拉近“存”“算”距离，即打破存储墙，成为AI计算的当务之急，清华大学给的解决方案便是基于忆阻器（RRAM）的存算一体。具体来说，如果用交叉阵列的方式做忆阻器，就可获得一种与矩阵很类似的结构，这种结构既可以存数据，也可以做计算。需要存储时，忆阻器本身就是存储器；而需要运算时，也无需把数据从存储器中搬到运算器里，因为忆阻器可直接用欧姆定律来做乘法运算。如此，数据便能“原地”计算，大大降低了由于数据“跑来跑去”所带来的消耗。除此之外，忆阻器（RRAM）还有着其他优点：比如尺寸小、速度快、与 CMOS（互补式金氧半导体）工艺可兼容等。于是，又能算又能存的忆阻器（RRAM）成了缓解算力焦虑的良药，引得包括清华大学在内的多方精英竞相布局。