На прошлой неделе в сетевом издании Nature группа учёных из Университета Мичигана опубликовала статью, в которой рассказывается о практическом применении первого процессора с массивом программируемых мемристоров.

Напомним, об открытии мемристора первой сообщила компания HP, что произошло в 2008 году. Это так называемый четвёртый базовый электротехнический элемент в дополнение к хорошо известным резисторам, конденсаторам и катушкам индуктивности. Мемристор представляет собой управляемое электронным образом сопротивление с запоминанием состояния, которое не требует поддержки питанием. Это — аналоговый элемент, который может служить как ячейкой энергонезависимой памяти, так и вентилем (транзистором). Сама HP не смогла наладить производство массивов памяти на мемристорах. Но это не важно, поскольку мемристор ― это резистивная память (RRAM или ReRAM), которую не разрабатывает только ленивый.

Поскольку мемристор позволяет одновременно хранить данные в ячейке и выполнять над ними манипуляции, он может стать аналогом цифровых синапсов, а массив мемристоров способен работать подобно головному мозгу без ресурсоёмкой пересылки данных из памяти в процессор и обратно. Данную схему в предельно упрощённом виде воспроизвели учёные из Университета Мичигана. Массив из 5800 мемристоров встроили в процессор на архитектуре OpenRISC, связав схемы каналами передачи данных, включая ЦАП и АЦП (не забываем, что данные в ячейках мемристора — аналоговые с массой промежуточных значений между 0 и 1).
Предложенное решение способно параллельно обрабатывать большие массивы данных с использованием меньшего объёма аппаратных ресурсов. Это экономит время и деньги (читай ― потребление электроэнергии). В перспективе подобные платформы с десятками и сотнями тысяч ячеек из мемристоров на борту смогут в сотни раз превзойти по производительности CPU и GPU общего назначения.

В проведённых экспериментах учёные смогли научить процессор с мемристорами сходу со стопроцентной точностью распознавать замысловатые буквы греческого алфавита, распознавать изображения с искажениями и с точностью до 94,6 % различать злокачественные или доброкачественные раковые образования. В каждом случае набор данных или векторные представления результатов загружались в массив мемристоров, а дальше сравнение новых входящих данных шло с высочайшей скоростью, что сулит, например, перенос нейроморфных вычислений (машинного обучения) из облаков в мобильные платформы.