具有模拟随机电阻式存储器阵列的回波状态图神经网络

用于图学习的基于随机电阻存储器的ESGNN的软硬件协同设计。a，单个电阻存储单元的横截面透射电子显微照片，在介电击穿后用作随机电阻。比例尺 20 nm。b，在 40 nm 技术节点流片上使用后端生产线工艺制造的电阻存储器横杆阵列的横截面透射电子显微照片。比例尺 500 nm。c，随机电阻式存储器交叉条阵列分区的示意图，其中蓝色阴影的单元格是递归矩阵的权重（沿边缘传递消息），而红色的单元格是输入矩阵的权重（转换节点输入特征）。d，c中两个随机电阻阵列的对应电导图。 e，随机电阻存储器阵列的电导分布。f，提议的ESGNN的节点嵌入过程。每个节点在下一个时间步的内部状态由相邻贡献的总和（蓝色箭头表示节点内部状态向量与 d 中的递归矩阵之间的乘法）、随机投影后节点的输入特征（红色箭头表示输入节点特征向量与 d 中的输入矩阵之间的乘法）和前一个时间步中的节点内部状态共同决定。g，基于节点嵌入的图嵌入。图嵌入向量 g 是最后一个时间步中所有节点内部状态向量的总池

神经网络已被广泛用于研究社交网络、电子商务、药物预测、人机交互等。

在发表在《自然机器智能》上的一项新研究中，来自中国科学院微电子研究所（IMECAS）和香港大学的研究人员利用随机电阻存储器（RRM）加速了图形学习，在代表性图形学习任务中，能源效率比图形处理单元提高了40.37倍。

在传统的冯诺依曼计算机上使用图形进行深度学习会导致频繁的数据穿梭，不可避免地导致处理时间长和高能耗。具有电阻存储器的内存计算可以提供一种新的解决方案。

研究人员提出了一种新的硬件 - 软件协同设计，基于RRM的回声状态图神经网络，以应对这些挑战。

RRM 不仅利用低成本、纳米级和可堆叠电阻器进行高效的内存计算，而且还利用介电击穿的内在随机性在硬件中实现回波状态网络的随机投影，从而有效地降低训练成本。

这项工作对于开发下一代人工智能硬件系统具有重要意义。