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，“內存式運算”(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芯片性能，而要求密集乘法累積數組的深度學習算法也正逐漸獲得動能。這些芯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內存成長的引擎。
例如，新創公司Mythic瞄準在閃存(flash)數組內部進行神經網絡運算任務，致力於從模擬領域降低功耗。該公司的目標是在2019年底量產芯片，成為率先推出這一類新芯片的公司之一。
美國聖母大學(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，新興內存將成為實現內存處理器(processor-in-memory；PIM)的技術之一。採用新的非揮發性內存將意味著創造新的使用模式，而內存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，隨著相變內存(PCM)、電阻式RAM (RRAM)和STT MRAM等新興內存出現，以及業界對於機器學習硬件加速器的興趣濃厚，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組件或組件數組層級進行，而不是一個完整的加速器。”
其中一家競爭對手來自IBM於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交叉數組的模擬組件。
IBM研究員Vijay Narayanan認為，“其挑戰在於找出正確的模擬內存元素是什麼——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，美國斯坦福大學(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，研究人員需要找到兼容於CMOS晶圓廠的內存組件所需材料。此外，Narayanan說，「真正的挑戰」就在於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，大多數用於AI的內存處理器仍處於研究階段，距離可上市的時間約三至五年 （來源：IBM）
關於未來晶體管的幾點思考
IBM至今已經制造出一些離散式組件和數組，但並不是一款具有4Kx4K數組的完整測試芯片，也尚未採用目前所認為的理想材料。Narayanan表示，IBM的Geoff Burr在500 x 661數組上採用相變材料進行深度神經網絡(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，但瞭解還必須改善現有的材料，而且也在評估新材料。”
IBM希望使用模擬組件，以便能夠定義多個電導狀態，從而較數字組件更有助於為低功耗操作開啟大門。該公司還看好大型數組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可以利用其於高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，並與格芯(Globalfoundries)和三星(Samsung)等業界夥伴合作。
展望未來，IBM將致力於開發閘極全環(GAA)晶體管，將納米片用於7nm節點以外的應用。他認為這一類的設計並不存在根本的障礙，而只是實施的問題。
除了納米片之外，研究人員正在探索負電容場效晶體管(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鉿是鐵電材料，而且可能兼容於CMOS後，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，而一旦瞬時穩定後就不會再取得任何結果。”
美國加州大學伯克利分校(UC Berkeley)的研究人員則“相信這是一種重要的‘新狀態’。因此，故事仍在繼續發展中，可以說大部份的公司都在內部進行評估中。”
閱讀更多 愛板網 的文章
