По мере того, как академическое сообщество и разработчики полупроводников углублялись в искусственный интеллект (ИИ) с низким энергопотреблением, многие отошли от архитектуры фон Неймана. Причина в том, что нейронные сети, работающие на устройствах фон Неймана, требуют, чтобы большие объемы данных перемещались в память и из нее, что оказалось не очень энергоэффективным.
Популярный альтернативный подход – это схемы вычислений в оперативной памяти, где, как следует из названия, вычисления происходят там, где хранятся данные. Одна из технологий, которая широко изучается с точки зрения ее применения в этой области – это резистивная ОЗУ (RRAM), также называемая мемристорами. Тем не менее, как и все технологии в их младенчестве, мемристоры обладают множеством неидеальных свойств, которые препятствуют их использованию в коммерческих приложениях. В этом плане о свойствах данных устройств были написаны научные статьи в журналах про технологии, которые призваны помочь практикующим специалистам, сотрудникам и преподавателям университетов в исследованиях и работе. Для многих ученых публикация в таких изданиях гарантирует обнародование результатов исследований и получение обратной связи.
Резистивное ОЗУ – это устройство, значение сопротивления которого может быть установлено путем подачи управляющего сигнала в виде внешнего напряжения/тока. Устройство обычно состоит из двух металлических электродов вокруг резистивного оксидного слоя.
Существует множество причин, по которым RRAM востребованы в мире периферийных вычислений. Во-первых, это энергонезависимая память. Среди технологий энергонезависимой памяти они предлагают чрезвычайно высокую скорость переключения – более высокую, чем флэш-память NAND – с временными рамками всего 10 нс. Кроме того, они могут быть всего лишь в несколько нанометров, что означает, что они могут иметь чрезвычайно высокую плотность.
Наконец, они широко используются для машинного обучения, поскольку потребляют значительно меньше энергии, чем флэш-память NAND. Поскольку они основаны на сопротивлении, они могут выполнять операции скалярного произведения или умножения и накопления, просто полагаясь на текущий закон Кирхгофа. Обе эти операции являются фундаментальными в машинном обучении.
Несмотря на полезные свойства RRAM, это устройство действительно сталкивается с неидеальностью, препятствуя его широкой интеграции в промышленность. Одной из основных проблем является «изменчивость проводимости мемристоров от цикла к циклу». Когда к мемристорам прикладывают соответствующее напряжение, они образуют проводящие пути, называемые нитями, которые являются результатом миграции металла и физических дефектов. Это состояние «включено» пизастора. Это состояние может быть изменено другим внешним напряжением, чтобы сформировать состояние «выключено».
Проблема в том, что создание этих нитей невозможно контролировать идеально и точно. Существуют производственные и другие случайные источники ошибок, которые создают изменчивость проводимости от цикла к циклу. Это источник случайности в работе мемристоров, затрудняющий точные вычисления и часто требующий значительных ресурсов для смягчения.
Теперь французская компания CEA-Leti разработала метод, который использует эту случайность в свою пользу для достижения маломощной обработки ИИ. В своей статье, опубликованной в журнале Nature, исследователи описывают свою технику, которая состоит из «алгоритма обучения выборки методом Монте-Карло с использованием цепей Маркова (MCMC) в изготовленном чипе, который действует как байесовская модель машинного обучения». Они говорят, что их работа позволяет обучаться на месте с помощью наносекундных импульсов напряжения на этих наноразмерных запоминающих устройствах, эффективно создавая систему небольшого размера и с низким энергопотреблением.
Исследователи уверены, что их решение с низким энергопотреблением может быть подходящим решением для периферийных вычислений. Фактически, по сравнению с КМОП-реализацией их алгоритма, их подход позволил получить на пять порядков меньше энергии.
© digitrode.ru