盡管閃存的寫入速度相對較慢，但其容量巨大，因此它被廣泛用作計算機的存儲內(nèi)存。與此同時，新興的存儲技術以其低功耗、高速度以及幾乎無限次的寫入能力，被應用于工業(yè)設備的數(shù)據(jù)日志、智能電表、RFID等領域。
 
  隨著生成式AI技術的日益普及，處理大量數(shù)據(jù)的機器學習計算機的能耗顯著上升。其中一個關鍵因素是計算機內(nèi)部使用的易失性內(nèi)存（在機器學習中用于“權重”計算）。
機器學習是通過多層感知器（也稱為人工神經(jīng)元或神經(jīng)網(wǎng)絡）來實現(xiàn)的。在每一層（節(jié)點）中，都會進行加權求和運算，并將結果傳遞給下一層。如果將這些“權重”存儲在非易失性存儲器中，理論上可以降低能耗。
 
  近年來，利用FeRAM進行機器學習的研究變得流行，特別是被稱為“回聲狀態(tài)網(wǎng)絡（Echo State Network）”的儲量計算（Reservoir computing）方法引起了廣泛關注。這種方法的特點是僅對輸出層的權重進行調(diào)整，而中間層則利用非線性物理現(xiàn)象進行計算。這種技術有望實現(xiàn)低能耗的機器學習。


本文關鍵詞：FeRAM,ReRAM

相關文章：SRAM是高效且關鍵的揮發(fā)性內(nèi)存