忆阻器——从存内计算、深度学习加速、脉冲神经网络到神经形态与仿生计算的未来

机器学习，尤其是深度学习形式，推动了人工智能近期大多数基础性发展。深度学习基于在一定程度上受生物启发的计算模型，依赖并行运行的连接简单计算单元网络。深度学习已成功应用于物体/模式识别、语音与自然语言处理、自动驾驶车辆、智能自诊断工具、自主机器人、知识型个人助理和监控等领域。这些成功主要得益于三个因素：海量数据可用、计算能力持续增长以及算法创新。摩尔定律的即将终结，以及由此预期通过缩放可实现的计算能力 modest 提升，引发了如下疑问：所述进展是否会因硬件限制而放缓或停滞。本文综述了一种超越CMOS的新型硬件技术——忆阻器，作为实现高能效存内计算、深度学习加速器和脉冲神经网络潜在解决方案的理由。核心主题是对非冯·诺依曼计算架构的依赖，以及开发定制化学习与推断算法的需求。为论证生物学经验有助于为人工智能进一步进展提供方向，我们简要讨论了一个基于储备池计算的示例。我们通过推测未来神经形态与脑启发计算系统的大图景来结束本综述。