清華集成電路學(xué)院高濱：一種基于存算一體技術(shù)的類腦聲音定位方法

近日
，清華大學(xué)集成電路學(xué)院的高濱副教授課題組在《自然?通訊》（Nature Communications）上在線發(fā)表了題為“Memristor-Based Analogue Computing for Brain-Inspired Sound Localization with in situ training”的研究論文，提出了一種基于存算一體技術(shù)的類腦聲音定位方法 。面向定位任務(wù)的計(jì)算需求，提出了多閾值更新策略，緩解了憶阻器非理想因素帶來(lái)的精度損失。在集成規(guī)模為1K的憶阻器陣列中，課題組成功演示了聲音定位的在線訓(xùn)練，實(shí)現(xiàn)了兩個(gè)數(shù)量級(jí)的能耗降低。

圖1 類腦存算一體聲音定位示意圖

對(duì)生物大腦定位能力的模仿，常被應(yīng)用于車輛檢測(cè)、虛擬聽(tīng)覺(jué)系統(tǒng)等場(chǎng)景 。隨著摩爾定律逐漸放緩  ，傳統(tǒng)硬件平臺(tái)難以滿足實(shí)時(shí)定位場(chǎng)景中不斷增長(zhǎng)的算力需求。近年來(lái)備受關(guān)注的存算一體類腦計(jì)算技術(shù) ，能夠大幅度減少數(shù)據(jù)在存儲(chǔ)與計(jì)算單元之間的傳輸開(kāi)銷  ，有望突破存儲(chǔ)墻瓶頸的限制 ，實(shí)現(xiàn)算力的大幅提升。然而，與分類任務(wù)不同
，定位任務(wù)的輸入信息和檢測(cè)位置均為連續(xù)值，對(duì)計(jì)算硬件平臺(tái)自身非理想因素的容忍度較低