由于学术界和半导体开发商已经钻取低功耗ai，许多人已经离开了冯·诺尤曼建筑。原因是运行在冯·诺伊曼设备上的神经网络需要大量的数据进出内存，这被证明是能源效率低下的。
数据移动能量已经成为整个芯片能量消耗的最大贡献者。使用的图像礼貌冯石等。
越来越受欢迎的替代方法是内存计算方案，在其中，顾名思义，在存储数据的情况下发生计算。在该领域的应用广泛研究的一种技术是电阻RAM（RRAM），也称为忆阻器。然而，就像他们尼姑的所有技术一样，忆内电阻具有许多非理想的属性，这些属性已经阻碍了他们在商业应用中的使用。
现在，法国CEA-Leti的研究人员发现了一种将RRAM非理想状态用于低功耗人工智能的技术。
RRAM的优势是什么？
电阻式RAM是一种设备可以通过以外部电压/电流的形式应用控制信号来设置的电阻值。该装置通常由两个围绕电阻氧化物层的金属电极组成。
RRAM工作原理。使用的图像礼貌梅纳等。
在边缘计算领域，ram受到追捧的原因有很多。对于初学者来说，它们是一种非易失的内存形式。在非易失性存储器技术中，它们提供了极高的开关速度——实际上比NAND闪存还要快——时间跨度短至10ns。此外，它们可以小到几纳米，这意味着它们可以提供极高的密度。
最后，它们被广泛用于机器学习，因为它们比NAND闪存消耗更少的能量。因为它们是基于电阻的器件，他们可以简单地依靠Kirchhoff的当前法律进行点产品或乘法积累的操作。这两个操作都是机器学习的基础。
Rram的非理想
尽管RRAM的有用属性，但该设备确实面临着非理想，阻碍其广泛的整合到行业。
一个主要问题是存储器的“周期到循环电导变异性”。当适当的电压施加到椎间盘时，它们形成称为长丝的导电路径，这是金属迁移和物理缺陷的结果。这是忆阻器的“on”状态。该状态可以以不同的外部电压反转，以形成“关闭”状态。
电导变异性可以看作是一个高斯随机变量。使用的图像礼貌Dalgarty et al。
问题是，无法完全且精确地控制这些长丝的创建。有制造和其他随机源的错误，可以创建周期到循环的电导变化。这是忆阻器操作中随机性的源泉，妨碍准确的计算，并且通常需要大量资源来缓解。
CEA-Leti专注于进步学习
现在，法国公司CEA-Leti提出了一种技术利用这种随机性来实现低功耗AI处理。
他们的文章发表在自然，研究人员描述了他们的技术，包括一个“Markov Chain Monte Carlo（MCMC）采样学习算法，其作为贝叶斯机器学习模型的制造芯片。“他们说他们的工作允许在这些纳米级存储器件上使用纳秒电压脉冲的原位学习，有效地创建一个小的尺寸和功率低的系统。
研究人员得出结论，贝叶斯ML可以是推进边缘学习的替代建模方法。使用的图像礼貌CEA-Leti
研究人员确信他们的低功耗解决方案可能是边缘计算的合适解决方案。事实上，与CMOS实现的算法相比，他们的方法实现了5个数量级的能量。
一步以简化边缘计算设计
通过Edge Computing成为物联网设备的高需求特性，此消息可能会引发设计师任务的进一步创新，这些项目是任务的这些项目。CEA-Leti报告说，他们能够将忆反应器的负面变为高级操作特性的阳性，使Edge AI比以前更加可行。
