本章要回答的三个问题:凭什么一块电阻阵列能做矩阵乘法?四种忆阻器件当"人工突触"谁最像真的?存内计算的能效优势在扣掉读出电路之后还剩多少?
冯·诺依曼架构把存储与计算分开,代价是数据在两者之间来回搬运——深度学习时代,搬运的能耗远超计算本身。忆阻器交叉阵列给出一个釜底抽薪的方案:欧姆定律算乘法(V×G=I),基尔霍夫电流定律算加法(列电流求和),权重就存在器件电导里,矩阵乘向量一次物理动作完成。这是"忆阻器"这三个字在产业界热度居高不下的根本原因。
但物理定律的馈赠附带条件:模拟计算有噪声、有漂移、有非线性,器件当突触也不像宣传图里那么"类脑"。本章上半场讲清原理想象与现实折扣:5.1 评四个家族的突触资质,5.2 把能效账算到底,5.3 看器件做神经元的另一条分支。
| 节 | 回答哪个问题 | 关键产出 |
|---|---|---|
| 5.1 四家族突触资质对比 | 谁能扮演生物突触 | 脉冲方案对照图 + 突触指标评分 |
| 5.2 存内矩阵计算 vs GPU | 能效优势还剩多少 | 架构对照图 + 逐项能耗拆账 |
| 5.3 阈值神经元与 Mott 器件 | 没有突触的另一半拼图 | 神经元状态机 + 突触-神经元整合 |
这张图是本章的骨架:理想故事只有第一行,往下三排全是"折扣",最后一行是工程对策。存算一体的真实工程面貌不是"发明一个新计算",而是"管理一串误差"——谁管理得好,谁的芯片能跑真正的神经网络。
深度学习的权重矩阵有两个苛刻属性:大(百万到十亿级)与慢变(更新频率低、每次幅度小)。生物突触恰好也是这样工作的:权重由物理结构承载、更新靠局部脉冲、不用全局时钟。忆阻器的电导状态与"可被脉冲渐进调节"的特性,让器件物理与算法需求第一次如此对口——对口到社区愿意用"人工突触"称呼一个双端器件。但"对口"是定性判断,5.1 节的任务是把四家族放进突触考核表打分,你会发现王者不是宣传里最响的那个。
第 6 章把视角从"计算"切换回"存储":同样的交叉阵列技术放进存储层级,PCM 与 MRAM 在 SCM(存储级内存)与末级缓存的位置上正面对决。计算与存储两条应用线,共用第 2 到第 4 章的全部机制与阵列基础。