新創公司、企業巨擘和學術界開始重新審視十年前開發的處理器架構，看好它或許剛好就是機器學習(machine learning)的理想選擇。他們認為，“ 記憶體式運算 ” (In-Memory Computing；IMC)架構可望推動新型的人工智能(AI)加速器進展，使其速度較現行的GPU更快1萬倍。

這些處理器承諾可在CMOS微縮速度放緩之際擴展晶片性能，而要求密集乘法累積陣列的深度學習演算法也正逐漸獲得動能。這些晶片雖然距離商用化上市還有一年多的時間，但也可能成為推動新興非揮發性記憶體成長的引擎。

例如，新創公司Mythic瞄淮在快閃記憶體(flash)陣列內部進行神經網路運算任務，致力于從類比領域降低功耗。該公司的目標是在2019年底量產晶片，成為率先推出這一類新晶片的公司之一。

美國圣母大學(Notre Dame)電子工程系系主任Suman Datta說：“ 在我們學術界大多數的人認為，新興記憶體將成為實現記憶體處理器(processor-in-memory；PIM)的技術之一。采用新的非揮發性記憶體將意味著創造新的使用模式，而記憶體式運算架構將是關鍵之一。”

Datta指出，在1990年代，有幾位學者試圖打造這樣的處理器。諸如EXECUBE、IRAM和FlexRAM之類的設計都 “ 失敗了，而今，隨著相變記憶體(PCM)、電阻式RAM (RRAM)和STT MRAM等新興記憶體出現，以及業界對于機器學習硬體加速器的興趣濃厚，開始振興這個領域的研究。不過，據我所知，大部份的展示都還是在元件或元件陣列層級進行，而不是一個完整的加速器。”

其中一家競爭對手來自IBM于2016年首次披露的 " 電阻處理器 “(Resistive Processing Unit；RPU)。這是一款4,096 x 4,096交叉陣列的類比元件。

IBM研究員Vijay Narayanan認為，” 其挑戰在于找出正確的類比記憶體元素是什么——我們正在評估相變、RRAM和鐵電。“ Vijay Narayanan同時也是一位材料科學家，他主要的研究領域是在高K金屬閘極。

在2015年，美國史丹佛大學(Stanford University)也曾經發布在這一領域的研究。中國和韓國的研究人員也在追求這一理念。

為了實現成功，研究人員需要找到相容于CMOS晶圓廠的記憶體元件所需材料。此外，Narayanan說，”真正的挑戰“就在于必須在施加電壓時展現對稱的電導或電阻。

IBM Research的材料科學家Vijay Narayanan表示，大多數用于AI的記憶體處理器仍處于研究階段，距離可上市的時間約三至五年 （來源：IBM）

關于未來電晶體的幾點思考

IBM至今已經制造出一些離散式元件和陣列，但并不是一款具有4Kx4K陣列的完整測試晶片，也尚未采用目前所認為的理想材料。Narayanan表示，IBM的Geoff Burr在500 x 661陣列上采用相變材料進行深度神經網路(DNN)訓練，而其結果顯示”合理的精確度和加速度“。

” 我們正穩步前進，但了解還必須改善現有的材料，而且也在評估新材料。“

IBM希望使用類比元件，以便能夠定義多個電導狀態，從而較數位元件更有助于為低功耗操作開啟大門。該公司還看好大型陣列可望成為平行執行多項AI操作的大好機會。

Narayanan樂觀地認為，IBM可以利用其于高k金屬閘極方面累積的多年經驗，找到調整AI加速器電阻的材料。他花了十幾年的時間，才將IBM在該領域的專業知識從研究轉向商業產品，并與格芯(Globalfoundries)和三星(Samsung)等業界伙伴合作。

展望未來，IBM將致力于開發閘極全環(GAA)電晶體，將奈米片用于7nm節點以外的應用。他認為這一類的設計并不存在根本的障礙，而只是實施的問題。

除了奈米片之外，研究人員正在探索負電容場效電晶體(FET)，這些FET可在電壓變化很小的情況下提供較大的電流變化。從研究人員發現這種摻雜氧化哈是鐵電材料，而且可能相容于CMOS后，過去這五年來，這種想法越來越受到關注。

但Narayanan也說，” 目前還有很多反對者以及同時支持二者的人。“

” 我們的研究顯示，負電容是一種短暫的效應，“Notre Dame的Datta說，”因此，當極化開關切換時，通道電荷得以暫時啟動，而一旦暫態穩定后就不會再取得任何結果。“