Изследователски екипи активно разработват аналогово оборудване, специализирано за нуждите на изкуствения интелект (снимка: CC0 Public Domain)
Корейски изследователи създадоха аналогов хардуер на база електрохимична памет с произволен достъп (ECRAM), който може значително да подобри изчислителната производителност на изкуствения интелект. Резултатите от разработката на учени от Университета за наука и технологии в Поханг (POSTECH) и Корейския университет са публикувани в научното списание Science Advances.
Бързият напредък в AI технологиите, включително приложения като генеративни модели, тласна мащабируемостта на съществуващия цифров хардуер до неговите граници. Това принуди изследователските екипи активно да разработват аналогово оборудване, специализирано за нуждите на AI.
Аналоговият хардуер настройва съпротивлението на полупроводниците въз основа на външно напрежение или ток и използва структура от вертикално кръстосани устройства памет за паралелна обработка на изчисления. Въпреки че аналоговият хардуер предлага предимства пред цифровия за специфични изчислителни задачи и непрекъсната обработка на данни, посрещането на разнообразните изисквания за обучение и генериране на изводи от AI остава предизвикателство.
За да преодолее ограниченията на аналоговите хардуерни устройства за съхранение, корейският изследователски екип се фокусира върху устройства ECRAM, които контролират електрическата проводимост чрез движението и концентрацията на йони. Тези устройства имат триконтактна структура с отделни пътища за четене и запис на данни, което позволява работа при относително ниска мощност.
В изследването екипът успешно е изработил устройства ECRAM, използвайки триконтактни полупроводници в масив 64×64. Експериментите показват, че оборудването, включващо командните устройства, демонстрира отлична електрическа и превключваща производителност, както и висока производителност и еднородност.
Освен това, изследователите прилагат аналогово базирания алгоритъм Tiki-Taka към този високопроизводителен хардуер, като успешно увеличават максималната изчислителна точност на обучението на невронни мрежи.
Изследователите демонстрират въздействието на свойството “задържане на тегло” на хардуера върху обучението и потвърждават, че техният метод не претоварва невронните мрежи, подчертавайки потенциала за комерсиализация на технологията.
„Чрез прилагане на широкомащабни масиви, базирани на нови технологии за съхранение, и разработване на аналогови AI алгоритми, ние идентифицирахме потенциала за изчислителна производителност и енергийна ефективност на AI, който далеч надхвърля съществуващите цифрови методи”, казва професор Сейонг Ким от POSTECH.
Тази разработка може значително да подобри производителността и енергийната ефективност на изчисленията с изкуствен интелект, отваряйки нови възможности за комерсиализация на технологията и нейното приложение в различни области, включително генеративен изкуствен интелект и други усъвършенствани AI приложения.