Наноматериалы для искусственного интеллекта
Искусственный интеллект (ИИ) все больше обретает популярность в современном обществе. От совершенствования возможностей научного анализа и визуализации до профилактического обслуживания и мониторинга операций в промышленных условиях, до всеми любимого чат-бота с искусственным интеллектом, ChatGPT, искусственный интеллект начинает закрепляться во многих аспектах жизни общества, и его возможности ограничены только аппаратной и вычислительной мощностью, доступной для работы программных алгоритмов.
Область нанотехнологий, включая как сами наноматериалы, так и методы нанопроизводства/наноструктурирования, уже помогает миниатюризировать вычислительные компоненты, повышать эффективность электронных компонентов и улучшать общий энергетический потенциал вычислительных технологий (поскольку вы можете разместить больше компонентов на площади, чем вы можете разместить с более объемными материалами).
По мере того как вычислительные и технологические потребности в технологиях искусственного интеллекта становятся все более высокими во всех аспектах общества, аппаратное обеспечение должно не отставать. Нанотехнологии уже оказывают влияние на улучшение вычислительного сектора на всех фронтах, и это распространяется на аппаратное обеспечение, используемое для питания и облегчения алгоритмов ИИ.
Мемристивные устройства
В последнее время большой интерес вызывают наноматериалы для мемристивных устройств, и появилось много исследований с использованием мемристивных устройств, созданных с помощью нанотехнологий, для многих приложений. Мемристивные устройства представляют собой устройства с двумя выводами – с архитектурой металл/изолятор/металлический корпус – которые действуют как переключатель сопротивления, который может сохранять состояние внутреннего сопротивления/проводимости на основе истории приложенного напряжения и тока в устройстве – и большинство мемристоров исследованных сегодня используют наноразмерные каналы.
Мемристивные устройства обладают уникальными физическими свойствами (из-за тонкопленочных и наноразмерных материалов, из которых они сделаны), которые обеспечивают быстрое переключение с низким энергопотреблением, мониторинг проводимости и высокую степень масштабируемости. Сегодня существует ряд различных мемристивных устройств, которые можно использовать. К ним относятся дрейфовые мемристоры, диффузионные мемристоры и устройства памяти с фазовым переходом (phase change memory или PCM), и они классифицируются по этим категориям на основе переключающих материалов, используемых в устройстве, и динамики переключения устройства. Следует отметить, что структура устройств PCM немного отличается, потому что между металлическими слоями находится слой с фазовым переходом и изолирующий слой, а не просто изолирующий слой, но устройства PCM являются одними из наиболее зрелых мемристивных технологий.
Мемристивные устройства, как правило, имеют два режима работы: режим чтения и режим записи. В режиме чтения проводимость определяется без помех, но в режиме записи проводимость программируется в устройстве путем подачи напряжения, превышающего пороговое значение устройства, и эти напряжения чтения/записи кодируются как импульсы. Устройства PCM немного отличаются в работе тем, что они используют фазовые переходы материала для изменения удельного сопротивления в устройстве, где материал переходит из кристаллического материала в состоянии с низким удельным сопротивлением в аморфный материал в состоянии с высоким удельным сопротивлением.
Существует ряд различных областей, в которых мемристоры на основе наноматериалов и устройства PCM используются для улучшения аппаратного обеспечения ИИ. Мемристические устройства и массивы перекладин с изменением фазы использовались для механизмов вывода смешанных сигналов и в ускорителях свертки на основе спиновых устройств для приложений сверточной нейронной сети (convolution neural network или CNN). Мемристорные устройства также проходят испытания в ряде устройств памяти для глубокого обучения, включая ускорители смешанных сигналов для алгоритмов глубокого обучения, а также в операциях хранения данных и аналоговой обработки.
Мемристоры также изучаются для подходов к хранению и обработке в архитектурах обработки в памяти (processing-in-memory или PIM) для расширения области применения нейронных сетей. Этот подход также может иметь потенциал для использования программно-аппаратного интерфейса, который позволит разработчикам создавать код нейронной сети для работы на ускорителе. Недавно были предложены микросхемы вычислений в памяти (computing-in-memory или CIM) с использованием наноразмерных мемристорных устройств, которые могут помочь реализовать гораздо более крупную модель нейронной сети за счет уменьшения задержки и повышения точности нейронных сетей.
Магнитоэлектрические устройства
Второй большой областью аппаратных устройств на основе наноматериалов, которые могут повлиять на точность и эффективность алгоритмов ИИ, являются магнитоэлектрические устройства. Магнитоэлектрические устройства состоят из уложенных друг на друга слоев магнитных материалов и изоляторов и работают, используя выравнивание поляризации электронного спина в металлических слоях. Если поляризации выровнены, устройство демонстрирует более низкое сопротивление, а любые более высокие степени сопротивления зависят от степени смещения поляризации. Эти устройства программируются либо приложенным напряжением, либо спин-орбитальными токами в зависимости от количества клемм в устройстве.
Из всех магнитоэлектрических устройств магнитные туннельные переходы (magnetic tunneling junctions или MTJ) являются наиболее перспективными для аппаратного обеспечения ИИ. Хотя в семействе MTJ имеется ряд устройств, большинство из них состоит из двух магнитных слоев, разделенных изолирующим слоем, причем один из магнитных слоев постоянно намагничен по определенной оси, а намагниченность другого слоя изменяется для обеспечения различные значения сопротивления на устройстве. Устройство MTJ может быть либо энергозависимым, либо энергонезависимым по своей природе, и их энергонезависимость делает их хорошим кандидатом для использования в приложениях искусственного интеллекта, улучшенных нанотехнологиями. Помимо этого, более низкое энергопотребление и время переключения менее наносекунды также делают MTJ многообещающим кандидатом в аппаратных архитектурах ИИ.
Есть ряд областей, в которых MTJ исследуются для приложений ИИ. Одна область связана с вероятностными моделями, такими как ограниченные машины Больцмана (Restricted Boltzmann Machines или RBM) и сети глубокого доверия (Deep Belief Networks или DGN). Архитектура аппаратных средств для этих моделей представляет собой послойные структуры для операций многократного накопления нейронных сетей, используемых в этих моделях. При реализации наноразмерных материалов в этих архитектурах использовалась перекрестная архитектура, при этом в аппаратном обеспечении этих моделей использовались как MTJ, так и мемристорные системы. Архитектурный дизайн аппаратного обеспечения имеет сходство с архитектурами, состоящими только из CMOS, и отличается только использованием поперечных перемычек MTJ для вычислений с множественным накоплением.
Другой областью, в которой исследуются и используются MTJ, являются архитектуры вероятностных графических моделей (Probabilistic Graphical Model или PGM). Вычислительные ячейки содержат как вычислительные схемы, так и хранилище памяти — в форме таблиц условной вероятности (Conditional Probability Tables или CPT) – и именно в этих CPT энергонезависимость MTJ обеспечивает полностью подключенную нейронную сеть и низкое энергопотребление, что предотвращает задержку в доступ к памяти. В некоторых из этих архитектур устройства MTJ берут на себя роль как памяти, так и вычислительных цепей.
ИИ продолжает становиться все более мощным в различных аспектах жизни общества. Наноматериалы и наноразмерные архитектуры в настоящее время проходят испытания в ряде компонентов, таких как мемристоры, устройства из материалов с фазовым переходом и магнитные туннельные соединения, которые могут помочь улучшить ряд нейронных сетей и алгоритмов глубокого обучения. Наноматериалы уже оказывают большое влияние на улучшение и миниатюризацию вычислительного оборудования, и вполне возможно, что оборудование для ИИ станет одной из следующих областей вычислений, которая получит значительные улучшения благодаря наноматериалам.
© digitrode.ru