IBM сообщает, что аналоговый AI -чип, узорной после человеческого мозга

LSTM для результатов измерения прогнозирования символов.Кредит: природа электроника (2023).Doi: 10.1038/s41928-023-01010-1

Построенные с отдельными единицами для памяти и обработки, нейронные сети сталкиваются с серьезными требованиями системных ресурсов для связи между двумя компонентами, которые приводят к более медленной скорости и снижению эффективности.

IBM Research разработала лучшую идею, обратившись к идеальной модели для ее вдохновения для более эффективного цифрового мозга: человеческого мозга.

В статье «64-ядерный со смешанным сигналом в памяти вычислил чип, основанный на памяти с фазовым изменением для вывода глубокой нейронной сети», опубликованная в Nature Electronics 10 августа, исследователи IBM заявили, что применили новый подход для состояния.из искусственного чипа AI-сигнала, который обещает повысить эффективность и привлечь меньше утечки аккумуляторов в проектах искусственного интеллекта.

«Человеческий мозг способен добиться замечательных результатов, потребляя небольшую власть»,-сказал один из соавторов исследования Танос Василопулос из исследовательской лаборатории IBM в Цюрихе, Швейцария.

Действуя по тому, как синапсы взаимодействуют друг с другом в мозге, чип смешанного сигнала IBM оснащена 64 аналоговыми ядрами в памяти с каждым из них, принимающих множество единиц синаптических клеток.Конвертеры обеспечивают плавные переходы между аналоговыми и цифровыми состояниями.

Чипы, согласно IBM, достигли уровня точности 92,81% в наборе данных CIFAR-10, широко используемой коллекции изображений, используемых при обучении для машинного обучения.

«Мы демонстрируем точность вывода, эквивалентного почти мягким, с помощью Resnet и длинных краткосрочных сетей памяти»,-сказал Василопулос.Resnet, короткий для остаточной нейронной сети, является моделью глубокого обучения, которая позволяет обучать тысячи слоев нейронной сети, не препятствуя производительности.

«Чтобы достичь сквозного улучшения задержки и потребления энергии, AIMC должен сочетаться с цифровыми операциями в чипе и общении на чипе»,-заявил Василопулос.«Здесь мы сообщаем о многоядерном чипе AIMC, разработанной и изготовленной в 14 нм комплементарной технологии металлуокиса-оксида-символа, с интегрированной на бэкэнд-измененной памяти».

По словам Василопулоса, с такой улучшенной производительностью, «большие и более сложные рабочие нагрузки могут быть выполнены в средах с низкой мощностью или с ограниченной батареей».Это будет включать в себя мобильные телефоны, автомобили и камеры.

«Кроме того, облачные провайдеры смогут использовать эти чипы для снижения затрат на энергию и их углеродного следа», - сказал он.

IBM сказал, что с будущими улучшениями в цифровой схеме, позволяющей передавать активацию на слое к слою и промежуточное хранилище активации в локальной памяти позволит выполнить полностью трубопроводимые сквозные рабочие нагрузки на эти чипы.

В своем личном блоге, обсуждающем последнее достижение IBM, Василопулос сказал: «С этой работой многие компоненты, необходимые для полного реализации обещания аналога-AI, для эффективного и эффективного ИИ, оцениваемых кремниями».

Он предложил технический обзор чипа в отдельной статье под названием «Аналог в память о достижении совершеннолетия», опубликованной в электротехнике и электронном инженерии 10 августа.

Ссылаясь на чип как «первый в своем роде», он описал его как «полностью интегрированный смешанный сигнальный чип в памяти, основанный на интегрированной памяти фазового изменений (PCM) в комплементарном металле 14-нм.Процесс оксид-полупроводника (CMOS). ”

Дальнейшее определение проекта, сказал он: «Чип состоит из 64 ядра AIMC, каждый из которых с массивом памяти из единичных ячеек 256x256. Ячейки единицы строится с четырьмя устройствами PCM в общей сложности более 16 м.Каждое ядро содержит легкий цифровой блок обработки, выполняющий функции активации, скопления и масштабирующие операции ».

Больше информации: Manuel Le Gallo и др., 64-ядерный смешанный Signal Compute Chip, основанный на памяти с фазовой изменением для вывода глубокой нейронной сети, природа электроники (2023).Doi: 10.1038/s41928-023-010101.На arxiv: doi: 10.48550/arxiv.2212.02872