0基础学Python有多难？

实际上，下一代存储器与传统技术并无区别，都需要在特定的应用领域下讨论其发展机遇。但是，为什么传统技术能够在规模较小的细分市场中仍然获得了可观的利润率?因为传统系统往往正是特定问题的最佳解决方案。

磁阻随机存取存储器(MRAM)最早诞生于上世纪八十年代，并被推广为通用型存储器。与其他存储技术不同，MRAM将数据存储为磁性元素，而非电荷或电流。在性能方面，由于使用充足的写入电流，因此MRAM的表现与SRAM基本类似。但这种对供电能力的高度依赖，也阻碍了其在高写入密度下与DRAM及闪存展开竞争的能力。

尽管Everspin等MRAM先驱已经在嵌入式应用的离散市场中取得了一定成功，甚至证明其足以满足车载应用环境提出的严苛要求，但MRAM本身无疑仍是一种小众性质的存储器方案。

同样地，电阻式随机存取存储器(ReRAM)尚未发展出可行的离散存储器产品，甚至在嵌入式市场上的应用也仍然有限。最近被Dialog Semiconductor收购的Adesto Technologies是首批通过CBRAM技术向市场推出商用ReRAM器件的厂商之一。与传统嵌入式闪存技术相比，ReRAM的主要优势包括功耗更低、处理步骤更小且额定电压更低等。此外，ReRAM还具备在太空及医疗场景下使正常工作的良好辐射耐受性。

过去二十年以来，已经有多家公司在开发ReRAM技术，但该方法仍在集成与可靠性等方面存在一定挑战。与磁阻技术一样，ReRAM供应商已经在开发嵌入式ReRAM器件方面取得一定进展，能够分摊部分开发成本。Weebit Nano与研究合作伙伴Leti联手，于2019年末宣布将加大对选择器课题的攻坚力度，努力推动离解ReRAM获得商业可行性。同时，他们还将继续探索这种存储器技术在神经形态与AI应用场景中的潜力。公司CEO Coby Hanoch此前曾在采访中表示，Weebit目前仍是一家存储器初创企业，需要首先从嵌入式产品中建立稳定的收入流，而后才可能在其他领域取得进步。
 

下，正是讨论新兴存储器技术的最好时机。数十年以来，众多厂商都在致力于取代DRAM及NAND闪存等现有存储解决方案，并借此将老牌劲旅们赶下神坛。

但是，新兴存储器真能开辟一片全新的天地吗?尽管摩尔定律正面临着严峻挑战，突破性研究也确实带来了不少令人眼前一亮的全新专利，但DRAM与NAND技术本身也在不断发展。换句话说，这些替代对象并没有停下前进的脚步。而作为后起之秀的MRAM、ReRAM、FRAM以及PCRAM虽然在汽车、工业物联网、边缘计算、传感器节点乃至AI与机器学习等全新场景中颇具热度，但却总是受到两大致命短板的约束——可靠性与使用寿命。
 

近日发表的论文旨在实现目前在计算层面难以解决的理论物理学研究课题。作为系列文章中的一篇，Kanwar在论文中表示“我们的目标是为理论物理领域的关键数值计算部分开发新的算法。这些计算使我们深入了解到粒子物理学标准模型(即最基础的物质理论)的内部工作原理。相关计算结果能够与粒子物理实验(例如CERN的大型强子对撞机)进行比较以带来至关重要的启示，同时更精确地约束模型，进而发现模型中的哪些部分无法成立、需要向更深层次的基本原理进行扩展等。”

研究非扰动状态下粒子物理学标准模型的唯一已知的系统可控方法，就是基于真空中量子涨落快照的采样。通过测量波动的特性，我们可以推断出粒子特性及其碰撞倾向性。

但Kanwar解释道，这项技术的实施面临着诸多挑战。“相关采样工作非常昂贵，我们正在努力探索，尝试使用受物理学原理启发的机器学习技术提高样本采集效率。机器学习在生成图像方面已经取得了长足的进步。例如，英伟达最近的工作就是通过神经网络生成「想象中的」人脸图像。如果将这些真空快照视为图像，相信其也有望帮助我们以类似的方法解决研究问题。”

Shanahan还补充道，“根据目前的量子快照采样方法，我们优化出一套模型，能够帮助我们由易于采样的空间过渡到目标空间：利用这套经过训练的模型，我们只需要在易于采样的空间中进行独立采样，再由该模型对采样方法进行转换，即可极大提升采样效率。”

具体来讲，该小组引入了一套框架以构建机器学习模型。该模型完全尊重“规范对称性”这一对于研究高能物理至关重要的对称性原理。

作为原理证明，Shanahan及其同事使用自己的框架训练机器学习模型，在二维空间之上模拟理论并与现有技术进行结果比较。可以看到，其执行效率迎来了数量级层面的提升，同时也能根据场论做出更精确的预测。这一切，都为使用物理信息支持下的机器学习技术、大大加速对自然基本力体系的研究工作铺平了道路。

（编辑：威海站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!