近年来，随着机器学习技术的飞速发展，人工智能在多个领域展现出巨大潜力。然而，数据隐私和安全性问题也随之凸显，尤其是涉及敏感信息的行业，如医疗保健和金融。为解决这一问题，清华大学、中国移动研究院和河北大学的研究人员共同开发了一种新型内存计算芯片，旨在提升联邦学习方法的效率和安全性。

联邦学习作为一种创新的机器学习方法，允许多个用户或各方在不交换原始数据的情况下协作训练共享的神经网络。这种方法在保护数据隐私的同时，实现了人工智能技术的有效应用。然而，传统的联邦学习实现方式在局部边缘计算中面临密钥生成、误差多项式生成以及大量计算带来的时间和能源消耗问题。

针对这些挑战，研究人员提出了一种基于忆阻器的新型计算内存芯片架构。忆阻器作为一种非易失性电子元件，既能执行计算又能存储信息，可以根据过去流过的电流调整电阻。李学奇、高斌及其同事在论文中详细介绍了这种芯片的设计，并指出其能够显著减少数据移动，从而降低联邦学习共同训练人工神经网络所需的能量。

该芯片不仅集成了物理不可克隆功能，用于在加密通信过程中生成安全密钥，还配备了真正的随机数生成器，为加密提供不可预测的数字。研究人员通过案例研究验证了该芯片的有效性，四名参与者共同训练了一个具有482个权重的双层长短期记忆网络，用于败血症预测。测试结果显示，该芯片的准确率仅比软件集中学习低0.12%，同时显著降低了能耗和时间消耗。

这项研究凸显了基于忆阻器的计算机内存架构在提升联邦学习效率和隐私保护方面的巨大潜力。未来，随着技术的不断进步，这种芯片有望在更多实际任务中与其他深度学习算法协同工作，推动人工智能技术的广泛应用。

更多信息： Xueqi Li 等，《使用具有原位物理不可克隆功能和真随机数生成器的忆阻器计算内存芯片进行联邦学习》，《自然电子学》(2025)。期刊信息： 《自然电子学》