一个研究小组证明，使用 ECRAM 设备的模拟硬件可以最大限度地提高人工智能的计算性能，展示了其商业化的潜力。他们的研究成果发表在《科学进展》上。

包括生成式人工智能等应用在内的人工智能技术的快速发展，已将现有数字硬件(CPU、GPU、ASIC 等)的可扩展性推向极限。因此，专门用于人工智能计算的模拟硬件的研究十分活跃。

模拟硬件根据外部电压或电流调整半导体的电阻，并利用交叉点阵列结构和垂直交叉的存储设备来并行处理人工智能计算。虽然它在特定计算任务和连续数据处理方面比数字硬件更具优势，但满足计算学习和推理的多样化要求仍然具有挑战性。

为了解决模拟硬件存储设备的局限性，由材料科学与工程系和半导体工程系的 Seyoung Kim 教授等人组成的研究团队专注于电化学随机存取存储器 (ECRAM)，它通过离子运动和浓度来管理电导率。

与传统的半导体存储器不同，这些器件具有三端结构，具有用于读取和写入数据的独立路径，从而允许以相对较低的功率运行。

在他们的研究中，该团队使用基于三端的半导体在 64×64 阵列中成功制造了 ECRAM 设备。实验表明，采用该团队设备的硬件表现出优异的电气和开关特性，以及高产量和均匀性。

此外，团队还将最先进的模拟学习算法Tiki-Taka算法应用于这款高产量硬件，成功最大限度地提高了AI神经网络训练计算的准确性。

值得注意的是，研究人员展示了硬件训练的“权重保持”特性对学习的影响，并证实他们的技术不会使人工神经网络超载，凸显了该技术商业化的潜力。