業界開始重新審視十年前開發的處理器架構，看好速度較GPU更快1萬倍的所謂「存儲器式運算」(In-Memory Computing；IMC)，將有助于新一代AI加速器發展。
新創公司、企業巨擘和學術界開始重新審視十年前開發的處理器架構，看好它或許剛好就是機器學習(machine learning)的理想選擇。他們認為，「存儲器式運算」(In-Memory Computing；IMC)架構可望推動新型的人工智能(AI)加速器進展，使其速度較現行的GPU更快1萬倍。
這些處理器承諾可在CMOS微縮速度放緩之際擴展芯片性能，而要求密集乘法累積陣列的深度學習演算法也正逐漸獲得動能。這些芯片雖然距離商用化上市還有一年多的時間，但也可能成為推動新興非揮發性存儲器成長的引擎。
例如，新創公司Mythic瞄準在快閃存儲器(flash)陣列內部進行神經網路運算任務，致力于從類比領域降低功耗。該公司的目標是在2019年底量產芯片，成為率先推出這一類新芯片的公司之一。
美國圣母大學(Notre Dame)電子工程系系主任Suman Datta說：「在我們學術界大多數的人認為，新興存儲器將成為實現存儲器處理器(processor-in-memory；PIM)的技術之一。采用新的非揮發性存儲器將意味著創造新的使用模式，而存儲器式運算架構將是關鍵之一。」
Datta指出，在1990年代，有幾位學者試圖打造這樣的處理器。諸如EXECUBE、IRAM和FlexRAM之類的設計都「失敗了，而今，隨著相變存儲器(PCM)、電阻式RAM (RRAM)和STT MRAM等新興存儲器出現，以及業界對于機器學習硬體加速器的興趣濃厚，開始振興這個領域的研究。不過，據我所知，大部份的展示都還是在元件或元件陣列層級進行，而不是一個完整的加速器。」
其中一家競爭對手來自IBM于2016年首次披露的「電阻處理器」(Resistive Processing Unit；RPU)。這是一款4,096 x 4,096交叉陣列的類比元件。
IBM研究員Vijay Narayanan認為，「其挑戰在于找出正確的類比存儲器元素是什么——我們正在評估相變、RRAM和鐵電。」Vijay Narayanan同時也是一位材料科學家，他主要的研究領域是在高K金屬閘極。
在2015年，美國史丹佛大學(Stanford University)也曾經發布在這一領域的研究。中國和韓國的研究人員也在追求這一理念。
為了實現成功，研究人員需要找到相容于CMOS晶圓廠的存儲器元件所需材料。此外，Narayanan說，「真正的挑戰」就在于必須在施加電壓時展現對稱的電導或電阻。
20180502_IMC_NT01P1IBM Research的材料科學家Vijay Narayanan表示，大多數用于AI的存儲器處理器仍處于研究階段，距離可上市的時間約三至五年（來源：IBM）
關于未來電晶體的幾點思考
IBM至今已經制造出一些離散式元件和陣列，但并不是一款具有4Kx4K陣列的完整測試芯片，也尚未采用目前所認為的理想材料。Narayanan表示，IBM的Geoff Burr在500 x 661陣列上采用相變材料進行深度神經網路(DNN)訓練，而其結果顯示「合理的精確度和加速度」。
「我們正穩步前進，但了解還必須改善現有的材料，而且也在評估新材料。」
IBM希望使用類比元件，以便能夠定義多個電導狀態，從而較數位元件更有助于為低功耗操作開啟大門。該公司還看好大型陣列可望成為平行執行多項AI操作的大好機會。
Narayanan樂觀地認為，IBM可以利用其于高k金屬閘極方面累積的多年經驗，找到調整AI加速器電阻的材料。他花了十幾年的時間，才將IBM在該領域的專業知識從研究轉向商業產品，并與格芯(Globalfoundries)和三星(Samsung)等業界伙伴合作。
展望未來，IBM將致力于開發閘極全環(GAA)電晶體，將奈米片用于7nm節點以外的應用。他認為這一類的設計并不存在根本的障礙，而只是實施的問題。
除了奈米片之外，研究人員正在探索負電容場效電晶體(FET)，這些FET可在電壓變化很小的情況下提供較大的電流變化。從研究人員發現這種摻雜氧化鉿是鐵電材料，而且可能相容于CMOS后，過去這五年來，這種想法越來越受到關注。
但Narayanan也說，「目前還有很多反對者以及同時支持二者的人。」
「我們的研究顯示，負電容是一種短暫的效應，」Notre Dame的Datta說，「因此，當極化開關切換時，通道電荷得以暫時啟動，而一旦暫態穩定后就不會再取得任何結果。」
美國加州大學柏克萊分校(UC Berkeley)的研究人員則「相信這是一種重要的『新狀態』。因此，故事仍在繼續發展中，可以說大部份的公司都在內部進行評估中。 」