Исследователи впервые разработали полнофункциональный программируемый мемристорный чип. Он может включать обработку ИИ непосредственно на небольших устройствах с ограниченным энергопотреблением, включая датчики и смартфоны.
Memristor – это компактное устройство, способное хранить и обрабатывать информацию в одном физическом месте. Эти устройства были тщательно изучены для оперативной памяти и нейроморфных приложений.
Хотя инженеры уже разработали мемристоры для алгоритмов машинного обучения, им требуются внешние компоненты обработки для функционирования. Для достижения оптимальной производительности ригели мемристора должны быть хорошо интегрированы с периферийными и управляющими цепями.
Теперь исследователи из Мичиганского университета впервые разработали полнофункциональный программируемый чип-мемристор, который позволяет обрабатывать ИИ непосредственно на небольших устройствах с ограниченным энергопотреблением, включая датчики и смартфоны.
Это означает, что сложные задачи, такие как голосовые команды, больше не нужно передавать в облако для интерпретации. Все вычисления могут выполняться на вашем смартфоне (без быстрого разряда батареи), ускоряя время отклика и повышая конфиденциальность и безопасность.
Поскольку мемристоры обрабатывают и хранят данные в одном месте, они устраняют барьер между процессором и памятью, значительно увеличивая скорость вычислений. Это чрезвычайно полезно при реализации глубоких нейронных алгоритмов, которые имеют дело с большим количеством данных для выполнения сложных задач, таких как распознавание объектов в видео и изображениях и выявление фактора риска серьезных заболеваний.
Разработчики предпочитают запускать такие алгоритмы на графических процессорах, поскольку они обеспечивают лучшую точность прогнозирования и более быстрые результаты при гораздо меньших затратах по сравнению с процессорами.
«Графические процессоры оптимизированы для параллельной обработки и в 10-100 раз лучше, чем процессоры, с точки зрения мощности и пропускной способности. Новый мемристорный чип может быть еще в 10-100 раз лучше », – Вей Лу, старший автор статьи.
Каждый мемристор может выполнять тысячи операций [внутри ядра] одновременно. Прототип, разработанный в этом исследовании, включает более 5800 мемристоров. Тем не менее коммерческое устройство будет иметь миллион мемристоров.
Массивы Memristors специально разработаны для запуска алгоритмов машинного обучения, которые преобразуют данные в векторы (список числовых представлений). Обычно эти векторы хранятся в матрицах, которые отображаются непосредственно на массивах мемристоров.
Исследовательская группа сначала разработала микросхему для интеграции матрицы мемристоров с другими компонентами – такими, как цифровые / аналоговые преобразователи, традиционные цифровые процессы и каналы связи, – необходимыми для программирования и запуска.
Затем они интегрировали массив мемристоров в этот чип и создали программу для отображения алгоритмов машинного обучения на матричную структуру матрицы мемристоров.
Они продемонстрировали устройство с тремя различными алгоритмами машинного обучения – разреженным алгоритмом кодирования, сетью персептрона и анализом основных компонентов, предназначенным для идентификации закономерностей в сложных данных.
Полная система может предоставить эффективные решения для сетей различных размеров и приложений, в которых обработка данных в реальном времени и низкое энергопотребление являются критическими факторами.
Постоянные инновации в оборудовании, схемах, архитектуре и усовершенствованиях алгоритмов, таких как квантованные нейронные сети, могут позволить этому мемристору решать гораздо более сложные и сложные задачи.
