自組織映射網絡（SOM，圖1a），又稱“Kohone網絡”，是一種受大腦拓撲結構啟發的功能強大的無監督學習神經網絡。相比經典的多維尺度或主成分分析等線性算法，SOM具有更強大的數據聚類能力，在語言識別、文本挖掘、財務預測和醫學診斷等聚類和優化問題方面展現出獨特的優勢。但基于傳統CMOS硬件實現SOM受到計算相似性和確定鄰域的復雜性的限制，且存在電路結構復雜、能量面積開銷大、缺乏對相似度的精確計算等問題。如何構建簡潔、高效、精確的SOM硬件仍然是一大挑戰。憶阻器作為一種新型可編程非易失存儲器件，其交叉陣列結構具有支持并行計算和存內計算的天然優勢，為SOM的硬件實現提供了新途徑。
近日，微電子所劉明院士團隊和復旦大學劉琦教授團隊利用憶阻器陣列（圖1b&c）構建SOM網絡中的權值矩陣，首次實現了高效的SOM硬件系統。為解決SOM中神經元和輸入特征數量增加時硬件系統復雜度加劇的問題，團隊提出了一種新型的多附加行憶阻器陣列架構（圖1d），該架構將憶阻器陣列分為兩個部分，一部分作為數據行存儲權值信息，另一部分作為附加行存儲權值的平方和。輸入向量和權值向量之間的相似性可以通過一步讀操作實現，且不需要歸一化權值。基于該硬件系統，團隊成功演示了數據聚類、圖像分割、圖像壓縮等應用并成功用于解決組合優化問題（圖2）。實驗結果表明，在不影響成功率或準確度的基礎上，與CMOS系統相比，該系統具有更高的能源效率和計算吞吐量。此外，由于其非監督的特點，應用場景更加豐富，更加迎合現實生活的需求，為憶阻器基智能硬件的構建開辟一條新途徑。
該研究得到了國家重點研發計劃、國家自然科學基金委、國家重大科技專項、浙江省重點科研項目等項目支持。研究成果以“Implementing in-situ Self-organizing Maps with Memristor Crossbar Arrays for Data Mining and Optimization”為題在《自然·通訊》（Nature Communications）上在線發表。微電子所王睿博士為第一作者，復旦大學芯片與系統前沿技術研究院教授劉琦研究員和微電子所時拓副研究員為共同通訊作者。
圖1 SOM原理圖及其基于憶阻器陣列的實現。(a)SOM網絡原理圖。(b)憶阻器的典型I-V曲線。(c)128×64 1T1R憶阻器陣列光學實物圖。(d)1T1R憶阻器陣列實現2D-SOM的原理圖。
圖2 憶阻器基SOM系統的應用。(a)圖像處理（分割）；(b)求解組合優化問題（TSP問題）。
綜合信息