中国科学家基于忆阻器的新系统提升人工智能数据排序效率

相比传统排序方法，该系统吞吐量提升7.7倍，能效提高超过160倍。

为克服科学计算中的短板，中国科学家提出了一种新的数据排序方法，有望实现更高的速度和更低的能耗。该系统将忆阻器（一种模拟人脑记忆功能的电子元件）与先进的排序算法相结合，以更高效地处理海量信息。

研究人员表示，这种方法不仅有助于克服计算领域的性能瓶颈，还能解决人工智能（AI）和硬件设计中的瓶颈问题。在这些领域，快速组织和分析海量数据集至关重要。除人工智能外，该技术的潜在应用还包括需要实时分析图像的智能交通系统以及需要快速风险评估的金融服务。

原型展示忆阻器排序提升路径查找和神经网络推理性能

为展示其技术的潜力，来自北京大学和中国脑科学研究所的科学家们创建了一个基于忆阻器的硬件排序原型系统。据《南华早报》报道，该系统成功处理了路径查找和神经网络推理等任务，相比传统排序方法，性能更快，能耗更低。

总体而言，该系统相比传统排序方法，吞吐量提高了7.7倍，能效提升了超过160倍，面积效率也提升了超过32倍。这标志着在实现存储与计算融合、迈向更广泛通用应用方面迈出了重要一步。

该团队上月发表在《自然-电子学》上的论文中指出，从人工智能、数据库到网络搜索和科学计算，排序仍然是制约众多应用性能的主要瓶颈。传统的计算系统依赖于冯·诺依曼架构，该架构将数据存储和处理功能分离，通常使用中央处理器（CPU）来处理计算。

忆阻器新见解揭示变革计算的潜力

最新研究的研究人员表示，传统系统导致了冯·诺依曼瓶颈，限制了内存和处理单元之间的数据传输速度。他们解释说，虽然使用忆阻器的内存排序（sort-in-memory）方法有助于克服这些限制，但当前系统仍然依赖于比较操作，使得排序性能受限。

与仅能简单限制电路中电流流动的普通电阻器不同，忆阻器具有独特的记忆能力，能够记住流经自身的电荷量。这种记忆功能使忆阻器能够根据之前的活动调整其电阻值，从而使其既能充当存储元件也能充当处理元件。通过结合这些功能，忆阻器可以消除在独立的内存和处理单元之间传输数据的需要，从而可能带来更快、更节能的计算系统。

新方法：摒弃比较单元，简化排序

该科学团队旨在通过摒弃比较单元来简化排序。传统的硬件排序依赖于使用排序算法逐步比较数字的CPU、GPU或专用芯片。而新方法则使用忆阻器来执行基于迭代搜索的排序，无需直接比较每一对数据即可找到最小值或最大值，从而节省时间和能耗。

如果朋友们喜欢，敬请关注“知新了了”！