事实证明，基于卷积神经网络(CNN)的机器学习架构对于广泛的应用非常有价值，从计算机视觉到图像分析以及人类语言的处理或生成。然而，为了处理更高级的任务，这些架构变得越来越复杂，计算要求也越来越高。

近年来，全球许多电子工程师因此一直在尝试开发能够支持基于CNN的复杂架构的存储和计算负载的设备。这包括可以支持大量权重的更密集的存储设备(即，CNN的不同层考虑的可训练和不可训练参数)。

中国科学院、北京理工大学和中国其他大学的研究人员最近开发了一种新的内存计算系统，可以帮助更有效地运行更复杂的基于CNN的模型。他们的内存组件在NatureElectronics上发表的一篇论文中进行了介绍，它基于由3D忆阻器阵列制成的非易失性内存计算宏。

“将此类系统扩展到3D阵列可以为必要的向量矩阵乘法运算提供更高的并行性、容量和密度，”霍强和他的同事在他们的论文中写道。“然而，由于制造和设备可问题，缩放到三个维度具有挑战性。我们报告了一个2kb非易失性内存计算宏，它基于使用55制造的三维垂直电阻随机存取存储器纳米互补金属氧化物半导体工艺。"

电阻式随机存取存储器或RRAM是基于忆阻器的非易失性(即，即使在电源中断后仍保留数据)存储设备。忆阻器是一种电子元件，可以限制或调节电路中的电流，同时记录之前流过它们的电荷量。

RRAM本质上是通过改变忆阻器的电阻来工作的。虽然过去的研究已经证明了这些存储设备的巨大潜力，但这些设备的传统版本与计算机引擎是分开的，这限制了它们可能的应用。

内存计算RRAM设备旨在通过将计算嵌入内存中来克服这一限制。这可以大大减少内存和处理器之间的数据传输，最终提高整个系统的能源效率。

Huo和他的同事创建的内存计算设备是具有垂直堆叠层和外围电路的3DRRAM。该器件的电路采用55nmCMOS技术制造，该技术是当今市场上大多数集成电路的基础。

研究人员通过使用它来执行复杂的操作并运行用于检测MRI脑部扫描边缘的模型来评估他们的设备。该团队使用两个现有的用于训练图像识别工具的MRI数据集(称为MNIST和CIFAR-10数据集)来训练他们的模型。

“当输入、权重和输出数据分别为8,9和22位且位密度为58.2位µm–2，”研究人员在他们的论文中写道。“我们表明，与传统方法相比，宏在CIFAR-10数据集上提供了更准确的大脑MRI边缘检测和更高的推理精度。”

在最初的测试中，由霍和他的同事创建的内存计算垂直RRAM系统取得了显着的成果，优于传统的RRAM方法。因此，在未来，它可能被证明对于更节能地运行基于CNN的复杂模型非常有价值，同时还能实现更好的准确性和性能。