随着摩尔定律趋近极限，通过集成电路工艺微缩的方式获得算力提升越来越难；而计算与存储在不同电路单元中完成，会造成大量数据搬运功耗增加和额外延迟。如何提高算力，突破技术瓶颈？26日，记者从清华大学获悉，该校微电子所、未来芯片技术高精尖创新中心钱鹤、吴华强教授团队，与合作者共同研发出一款基于多个忆阻器阵列的存算一体系统，在处理卷积神经网络时的能效比图形处理器芯片高两个数量级，大幅提升计算设备的算力，且比传统芯片的功耗降低100倍。相关成果近日发表于《自然》杂志上。

如何用计算存储一体化突破AI算力瓶颈，是近年来国内外的科研热点。寻找合适的硬件，是提升算力的基础之一。

钱鹤、吴华强教授团队通过优化材料和器件结构，成功制备出高性能忆阻器阵列。为解决器件非理想特性造成的系统识别准确率下降问题，他们提出一种新型的混合训练算法，仅需用较少的图像样本训练神经网络，并通过微调最后一层网络的部分权重，使存算一体架构在手写数字集上的识别准确率达到96.19%，与软件的识别准确率相当。

同时，他们提出空间并行的机制，将相同卷积核编程到多组忆阻器阵列中，各组忆阻器阵列可并行处理不同的卷积输入块，提高并行度来加速卷积计算。

在此基础上，该团队搭建了全硬件构成的完整存算一体系统，在系统里集成了多个忆阻器阵列，并在该系统上高效运行了卷积神经网络算法，成功验证了图像识别功能，证明了存算一体架构全硬件实现的可行性。