技术突破核心 - 开发出首个能够支持人工神经网络在边缘设备上进行自适应本地训练和推理的混合存储器技术 [1] - 提出一种全新混合存储系统，将铁电电容和忆阻器两种此前不兼容技术的最佳特性结合到单一且与CMOS技术兼容的存储堆栈中 [1] - 该架构解决了边缘AI在芯片上同时进行学习和推理而不消耗过多能源或超出硬件限制的挑战 [1] 技术原理与创新 - 采用混合方法：正向和反向传播使用存储在忆阻器中的低精度模拟权重，而更新则通过更高精度的铁电电容实现 [5] - 忆阻器会根据存储在铁电电容中的最高有效位进行周期性重新编程，确保高效和准确的学习 [5] - 设计出由掺硅氧化铪和钛吸收层组成的统一存储堆栈，这种双模设备可根据电学"形成"方式，作为铁电电容或忆阻器运行 [7] - 相同的存储单元可根据其状态，用于精确的数字权重存储（训练）和模拟权重表达（推理） [7] 性能与应用 - 项目证明在芯片上进行训练是可能的，并能达到有竞争力的准确性，避免了对离线更新和复杂外部系统的需求 [2] - 该硬件使用标准130纳米CMOS技术，在一个包含18,432个设备的阵列上制造和测试，将两种存储器及其外围电路集成到单一芯片上 [8] - 创新使得自动驾驶汽车、医疗传感器和工业监控器等边缘系统和设备能够根据实时数据进行学习，即时调整模型，同时严格控制能耗和硬件磨损 [2] 行业背景与挑战 - 边缘AI既需要推理（读取数据以做出决策），也需要学习（根据新数据更新模型），但此前存储技术只能很好地完成其中一项 [2] - 忆阻器擅长推理，因其可存储模拟权重，在读取操作时能效高并支持存内计算；铁电电容允许快速、低能耗的更新，但其读取操作是破坏性的，不适合推理 [2] - 硬件设计师面临选择：要么偏向推理并将训练外包给云端，要么尝试在芯片上进行训练但要承担高成本和有限的耐久性 [3]