教授 鉴石堂, 集成电路学院, 清华大学，中国
基于忆阻器的神经形态计算，加速人工智能和信号处理
人工智能的快速发展，例如大型语言模型，需要更节能的计算硬件，这需要从材料和器件到架构的根本性突破。为了克服冯·诺依曼瓶颈，具有忆阻器等新兴器件的神经形态计算通过模仿人脑的工作机制以节省能源，成为一种有吸引力的计算范式。本次讲座旨在全面回顾基于忆阻器的神经形态计算的基本原理和应用。介绍了忆阻器材料的选择和神经形态器件的设计。Tang教授概述了忆阻器与先进硅CMOS的大规模集成以及与IGZO和碳纳米管等其他新兴器件的单片3D集成的最新进展。特别是，将展示基于忆阻器交叉开关阵列和原型芯片的节能计算内存（CIM）的各种有趣演示。将介绍基于忆阻器的CIM的两个重要应用：人工神经网络的加速和信号处理算法的实现。对于每个应用，Tang教授剖析了关键挑战和最新突破。最后，他将以该领域的未来前景结束演讲，并重点介绍未来研究的几个值得注意的方向，包括基于忆阻器的水库计算和模拟计算。.
