5.1 四家族突触资质对比：谁能扮演生物突触

5.1 四家族突触资质对比：谁能扮演生物突触

本节摘要：把器件当突触，考的是四门功课：权重多值（承载精度）、脉冲可塑性（更新方式像不像 STDP）、写入能耗（学习代价）、endurance（能学多久）。本节按四门功课给家族四子打分，结论是：推理突触与学习突触是两种工作，最优器件并不相同。

最初，人们只是想让器件"越用越像"

最初把神经形态与忆阻器绑在一起，源于一个朴素的观察：生物突触的连接强度随活动历史缓慢改变（赫布学习、STDP），而忆阻器的电导恰好也随脉冲历史缓慢改变——两者共享"由历史雕刻当前状态"的时间结构。2008-2012 年间，多个小组独立演示了在 RRAM 上用前后脉冲对模拟 STDP：脉冲时间差为负（前突触先于后突触）则电导增强，为正则减弱，测得的电导变化曲线与生物数据的形状惊人相似。这篇开山之作激起的乐观，催生了此后十几年的整个突触器件方向。

但"曲线相似"到"系统可用"之间隔着工程化的四门考试。把四家族放进考场，成绩单分野清晰。

图：四家族突触脉冲方案与可塑性对照

四门功课的判分细节

功课一，权重多值。 推理突触要静默承载精度：PCM 的非晶化程度可连续调节，4 bit/cell 已反复演示，是毫无疑问的第一名；RRAM 可到 24 bit 但需写校验护航；FTJ 的畴比例调节可到 23 bit；MTJ 的两态本性使它只能靠多器件拼精度——把权重拆到位平面（一个权重用四个 MTJ 表示四个二进制位）是 SOT-MRAM 存算芯片的主流做法，面积换精度。

功课二，脉冲可塑性。 学习突触要按脉冲渐进更新，且更新要"线性、对称"（同样幅度向上向下）。RRAM 的问题在不对称：SET 一秒到底、RESET 慢慢回，学习算法要么用成对脉冲削峰、要么干脆换成"概率更新"（脉冲幅度决定翻转概率，让随机性替算法打工）。MRAM 的 SOT 写入天然适合概率化 STDP——电流幅度控制翻转概率，这正是它 score 4 分的原因。PCM 靠堆叠脉冲调非晶比例，方向不限但每次代价高。

功课三，写入能耗。 学习是一次次写入的积分。FTJ 单次皮焦级、MRAM 与 RRAM 皮焦级、PCM 十皮焦级——在学习密集场景差距放大数千倍。这就是"FTJ 是学习潜力股"的判分依据：它的短板（读出弱、endurance 待验证）都不在学习路径的主频上。

功课四，endurance。 在线学习对写入次数的胃口是灾难级的。就算稀疏更新砍掉 99% 写入，剩余部分也要 10⁹ 量级——家族里只有 MRAM 稳过线。结论呼之欲出：推理权重选 PCM/RRAM（多值深），在线学习选 MRAM/FTJ（耐写省电），一个芯片里两种器件共存是合理架构而非妥协。

从器件突触到突触阵列的三级放大

单器件合格只是入场券。阵列级的突触要过三关：编码关——正负权重用双器件差分对表示（G⁺−G⁻），共模漂移自动抵消，代价是器件数翻倍；驱动关——行驱动要把数字输入转成电压或脉冲，位切片方案（输入拆成多个位平面分时输入，结果移位相加）用时间换 ADC 位数；读出关——列电流跨四个数量级动态范围，AGC（自动增益切换）与逐列共享 ADC 是精度与功耗的平衡点。三级放大后，突触阵列的实际精度通常落在等效 4~6 bit——跑量化后的小模型够用，跑大语言模型还早。

# 概率化 STDP 的最小仿真：用器件随机性替代精确梯度
import random
def prob_stdp(dt_ms, g, g_min=0.1, g_max=1.0):
    # dt<0 前突触先到 -> 增强；dt>0 -> 减弱
    amp = 2.718 ** (-abs(dt_ms) / 20.0)          # 指数窗，与生物 STDP 同形
    p = amp * 0.6                                 # 翻转概率由器件电流幅度决定
    if random.random() < p:
        g += (g_max - g) * 0.2 if dt_ms < 0 else -(g - g_min) * 0.2
    return g
# 连续学习 1e9 次后 g 分布的收敛性，取决于 p 与更新步长的乘积 —— 阵列级调参即调此乘积
​

💡 关键直觉：生物突触本身就是"不可靠器件"——单个突触传递失败率高达 50% 以上，智能恰恰运行在这种统计可靠性上。存算一体的学习硬件不追求精确，追求"分布正确"，这是它与数字加速器根本的哲学分歧。

与真实突触的校准：差得最远的三处

谈"类脑"之前，先诚实校准器件突触与生物突触的差距，差得最远的有三处。一是规模：人脑皮层约 10¹⁴ 个突触，当前最大忆阻阵列在 10⁸ 量级，差六个数量级——而且生物突触与神经元在三维里连续互联，阵列是二维平面结构。二是双熔合性：生物突触同时完成权重存储、信号传递与局部学习规则执行，器件突触目前只干第一件事，学习规则仍由外围电路或训练算法代管。三是能效下限：单个生物突触事件约 1~10 飞焦，忆阻突触的写入在皮焦级，差两三个数量级——读出还好，学习的代价是大头。这三处差距划定了"类脑"修辞的诚实边界：当前的忆阻神经形态系统更接近"低功耗专用推理引擎 + 简化学习规则"，距离"类脑"的字面含义还很远。把边界写在明处，反而让 5.2 节的能效成绩显得更可信。

从器件到权重的精度流水账

把突触阵列的精度损耗逐站记账，能看到每一站折多少。以 8 bit 目标权重为例：器件承载 34 bit（多值极限与良率收缩后）→ 差分对消掉共模后等效 +1 bit → 位切片把输入扩回 8 bit → ADC 量化按 68 bit → 训练感知补偿回收 12 bit 的等效精度。流水账的结果是系统等效 56 bit——与 published 芯片的实测普遍吻合。这张账的用处在于定位投资方向：哪一站的损耗占比最大，哪一站就是架构改进的第一优先级；对多数设计，答案是 ADC 与器件多值能力之间的博弈，而不是器件本身的继续打磨。把精度当流水账管，是存算架构师区别于器件工程师的核心技能。

本节要点回顾

• STDP 的器件化：脉冲时间差映射到电导增减，四家族都能做，但线性度与对称性差别决定可用性。
• 两种突触两种冠军：推理权重看多值（PCM 第一），在线学习看耐久与能耗（MRAM/FTJ 第一），混装是合理架构。
• 三级放大：差分编码、位切片、读出 AGC——器件合格不等于阵列可用，精度在链路里逐级折损。
• 概率可塑性：让器件随机性替算法承担探索，是忆阻器学习硬件的独特方法论。