近日，清华大学微电子所、未来芯片技术高精尖创新中心钱鹤、吴华强教授团队与合作者在《自然》在线发表了研究论文，报道了基于忆阻器阵列芯片卷积网络的完整硬件实现。

该成果所研发的首款基于多个忆阻器阵列的存算一体系统，在处理卷积神经网络（CNN）时的能效比图形处理器芯片（GPU）高两个数量级，大幅提升了计算设备的算力，成功实现以更小的功耗和更低的硬件成本完成复杂的计算。

基于忆阻器阵列可以实现基于物理定律（欧姆定律和基尔霍夫定律）的并行计算，同时实现存储与计算一体化，突破传统架构对算力的限制。

阿里达摩院在2020年1月发布了《2020十大科技趋势》报告，其中第二大趋势即为“计算存储一体化突破AI算力瓶颈”。 报告指出：“数据存储单元和计算单元融合为一体，能显著减少数据搬运，极大提高计算并行度和能效。计算存储一体化在硬件架构方面的革新，将突破AI算力瓶颈”。

清华大学报道指出，当前国际上的相关研究还停留在简单网络结构的验证，或者基于少量器件数据进行的仿真，基于忆阻器阵列的完整硬件实现仍然有很多挑战。

钱鹤、吴华强教授团队通过优化材料和器件结构，成功制备出了高性能的忆阻器阵列。为解决器件非理想特性造成的系统识别准确率下降问题，提出一种新型的混合训练算法，仅需用较少的图像样本训练神经网络，并通过微调最后一层网络的部分权重，使存算一体架构在手写数字集上的识别准确率达到96.19%，与软件的识别准确率相当。