4月27日，我院缪向水、叶镭、童磊团队在集成电路领域国际顶级期刊《Nature Electronics》上发表了题为“Signal-folding-based neuromorphic hardware for energy-efficient computing”的研究论文。通讯作者包括我院缪向水教授、叶镭教授，以及合作单位香港中文大学许建斌教授和武汉国家光电研究中心周阳副研究员；第一作者包括我院童磊教授、博士后黄鑫宇、博士生徐浪浪和博士后余翔翔；华中科技大学集成电路学院为论文第一完成单位。
随着神经网络规模的提升，要求神经形态计算硬件具备高权重编码精度和高能效。然而权重编码精度和能效在硬件设计上存在权衡。使用更宽的存储器电导率范围，可以直接提高权重位数，但是较高的电导率使计算功耗升高。通过校准算法或补偿算法抑制器件间差异性，优化相邻电导率状态的编码间距（margin），可以间接提高权重位数，但是校准算法或补偿算法会引入额外功耗。
本研究创新性地开发了适用于各种神经形态硬件的信号折叠编码计算方案。硬件上，以垂直堆叠的二硫化钼（MoS2）1T1R单元阵列为突触模块，连接定制设计的信号控制模块和神经元模块，作为整体测试系统。软件上，部署输入信号折叠方案和权重电导率折叠方案。
图1.硬件架构
在输入信号折叠方案中，原始的输入电压信号被划分为四个等宽区间，并压缩映射到最低电压范围对应的区间，压缩后的信号定义为模拟部分信号。同时引入数字部分信号，用于标识原始信号所处的区间，并动态降低对应区间的神经元激活阈值电压。在权重电导率折叠方案中，器件本征编码的3 bit电导态定义为模拟部分信号，编码最低权重对应的区间。同时引入2 bit数字部分信号，用于标识扩展权重所处的区间，并动态降低对应区间的神经元激活阈值电压。模拟和数字部分信号两两组合，共同扩展权重精度至5 bit。在两种信号折叠编码方案下，神经元阈值电压的变化量准确补偿折叠信号的电压偏移量，保证矢量-矩阵积（vector-matrix multiplication, VMM）的准确计算。
图2.输入信号折叠方案和权重电导率折叠方案
利用输入信号折叠方案部署单层神经网络，完成鸢尾花图像识别任务。硬件上直接抑制输入电压幅度，VMM计算功耗下降88.89%。神经元电路接收的输入电流下降且激活阈值电压下降，使神经元激活功耗下降约49%。利用权重电导率折叠方案部署双层神经网络，完成MNIST手写数字识别任务。硬件上利用较低的电导率范围扩展权重精度，两个全连接层的VMM计算功耗分别下降48.6%和72.6%。
输入信号折叠编码和权重电导率折叠编码突破了高权重编码精度和高能效的权衡问题，无需引入额外的校准算法或补偿算法，在存在器件间差异性的实际工作条件下保持高精度准确计算。该硬件计算方案适用于各种硬件架构，并且可以针对各类神经网络结构适应性编码硬件信号，在未来边缘智能硬件与低功耗神经形态系统中具有广泛应用价值。
图3.神经网络计算性能成效，突破了高权重编码精度和高能效的权衡
本研究受到国家自然科学基金委员会（T2450054, 62304084,92248304）、香港特别行政区研究资助局（PDFS2223-4S06,AoE/P-701/20, 14206721, 14220022, 14203623,C4050-21EF, C1015-21EF, C4028-20EF）、国家重点研发计划（2021YFB3601200）、湖北省重点研发计划（2023BAA009）的资助。
集成电路学院缪向水教授团队长期从事三维相变存储器、忆阻器、类脑智能芯片等方向研究。2018年团队出版国内第一本忆阻器专著《忆阻器导论》；2021年团队在Science上首次提出并实现感存算一体类脑芯片；2023年在Nature Electronics上发表事件驱动型脉冲神经网络硬件；2025年获教育部自然科学一等奖。
