گزارش 22 آگوست 2023 -توسط پیتر گراد،
LSTM برای نتایج اندازه گیری پیش بینی کاراکتر. اعتبار: Nature Electronics (2023).
شبکه‌های عصبی عمیق بسیاری از پیشرفت‌های هیجان‌انگیز ناشی از هوش مصنوعی مولد را ایجاد می‌کنند. اما معماری آنها متکی به پیکربندی است که یک سرعت گیر مجازی است و القا می کند که حداکثر کارایی را نمی توان به دست آورد.شبکه‌های عصبی که با واحدهای مجزا برای حافظه و پردازش ساخته شده‌اند، با نیازهای سنگین منابع سیستم برای ارتباطات بین دو مؤلفه مواجه هستند که منجر به کاهش سرعت و کاهش کارایی می‌شود.
IBM Research با روی آوردن به مدل عالی برای الهام بخشیدن به مغز دیجیتال کارآمدتر، ایده بهتری به دست آورد: مغز انسان.
محققان IBM در مقاله‌ای با عنوان «تراشه محاسباتی 64 هسته‌ای سیگنال مختلط در حافظه مبتنی بر حافظه تغییر فاز برای استنتاج شبکه عصبی عمیق» که در 10 اوت در Nature Electronics منتشر شد، گفتند که آنها رویکرد جدیدی را برای وضعیت حالت اعمال کرده‌اند. تراشه هوش مصنوعی با سیگنال ترکیبی پیشرفته که نوید بهبود کارایی و کاهش مصرف باتری در پروژه‌های هوش مصنوعی را می‌دهد.
یکی از نویسندگان این مطالعه، تانوس واسیلوپولوس، از آزمایشگاه تحقیقاتی IBM در زوریخ، سوئیس، گفت: مغز انسان قادر است در حالی که انرژی کمی مصرف می کند، به عملکرد قابل توجهی دست یابد.
تراشه سیگنال مختلط IBM که به روشی مشابه نحوه تعامل سیناپس ها با یکدیگر در مغز عمل می کند، دارای 64 هسته آنالوگ در حافظه است که هر یک میزبان مجموعه ای از واحدهای سلول سیناپسی است. مبدل ها انتقال صاف بین حالت های آنالوگ و دیجیتال را تضمین می کنند.
به گفته IBM، این تراشه ها به میزان دقت 92.81 درصد در مجموعه داده CIFAR-10، مجموعه ای پرکاربرد از تصاویر مورد استفاده در آموزش یادگیری ماشین، دست یافتند.
واسیلوپولوس گفت: “ما دقت استنتاج تقریباً معادل نرم افزار را با ResNet و شبکه های حافظه کوتاه مدت نشان می دهیم. ResNet، مخفف شبکه عصبی باقیمانده، یک مدل یادگیری عمیق است که امکان آموزش بر روی هزاران لایه از یک شبکه عصبی را بدون اختلال در عملکرد فراهم می کند.
واسیلوپولوس اظهار داشت: برای دستیابی به بهبودهای سرتاسری در تأخیر و مصرف انرژی، AIMC باید با عملیات دیجیتال روی تراشه و ارتباطات روی تراشه ترکیب شود. ما در اینجا یک تراشه AIMC چند هسته‌ای را گزارش می‌کنیم که در فناوری نیمه‌رسانای فلزی-اکسید-متمم ۱۴ نانومتری با حافظه تغییر فاز یکپارچه‌سازی شده با پشتوانه طراحی و ساخته شده است.
واسیلوپولوس گفت: با چنین عملکرد بهبود یافته ای، “موارد کاری بزرگ و پیچیده تر را می توان در محیط های کم مصرف یا با باتری محدود اجرا کرد.” این شامل تلفن های همراه، اتومبیل ها و دوربین ها می شود.
او گفت: «به‌علاوه، ارائه‌دهندگان ابری می‌توانند از این تراشه‌ها برای کاهش هزینه‌های انرژی و ردپای کربن آنها استفاده کنند».
آی‌بی‌ام گفت که با پیشرفت‌های آتی در مدارهای دیجیتالی که امکان انتقال لایه به لایه فعال‌سازی و ذخیره‌سازی فعال‌سازی میانی در حافظه محلی را فراهم می‌کند، امکان اجرای بارهای کاری استنتاج کاملاً خط‌بندی شده از پایان به انتها بر روی این تراشه‌ها را فراهم می‌کند.
واسیلوپولوس در وبلاگ شخصی خود در مورد آخرین دستاورد IBM گفت: “با این کار، بسیاری از اجزای مورد نیاز برای تحقق کامل وعده Analog-AI، برای هوش مصنوعی کارآمد و کارآمد، با سیلیکون تایید شده اند.”
او در مقاله ای جداگانه با عنوان «محاسبات درون حافظه آنالوگ به سن بلوغ» که در 10 آگوست در Electrical and Electronic Engineering منتشر شد، مروری فنی بر تراشه ارائه کرد.
او با اشاره به این تراشه به عنوان اولین در نوع خود، آن را به عنوان یک تراشه محاسباتی کاملاً یکپارچه با سیگنال مختلط در حافظه بر اساس حافظه تغییر فاز یکپارچه (PCM) در یک فلز مکمل 14 نانومتری توصیف کرد. فرآیند اکسید-نیمه هادی (CMOS).”
وی در توضیح بیشتر این پروژه گفت: “این تراشه شامل 64 هسته AIMC است که هر کدام دارای یک آرایه حافظه 256×256 سلول واحد است. سلول های واحد با چهار دستگاه PCM برای مجموع بیش از 16 میلیون دستگاه ساخته شده اند. علاوه بر آرایه حافظه آنالوگ. هر هسته شامل یک واحد پردازش دیجیتال سبک است که عملکردهای فعال‌سازی، انباشتگی و مقیاس‌گذاری را انجام می‌دهد.”
