NeuRRAM, новый чип, который выполняет вычисления непосредственно в памяти и может запускать множество приложений заточенных под ИИ, был разработан и создан международной группой исследователей. Что отличает его, так это то, что он делает все это за малую долю энергии, потребляемой вычислительными платформами для вычислений ИИ общего назначения.

Нейроморфный чип NeuRRAM озволит внедрить ИИ в работу на широком спектре периферийных устройств, отключенных от облака и сетей. Это означает, что они могут выполнять сложные когнитивные задачи в любом месте и в любое время, не полагаясь на сетевое подключение к централизованному серверу. Области применения для этого устройства можно найти в каждом уголке земного шара и во всех аспектах нашей жизни. Они варьируются от смарт-часов до гарнитур виртуальной реальности, смарт-наушников, смарт-датчиков на заводах и вездеходов для исследования космоса.

Чип NeuRRAM не только в два раза эффективнее с точки зрения энергопотребления, чем современные чипы "вычислений в памяти" — инновационного класса гибридных чипов, выполняющих вычисления в памяти, — он также обеспечивает такие же точные результаты, как и обычные цифровые чипы. Обычные платформы ИИ намного крупнее и обычно ограничены использованием больших серверов данных, работающих в облаке.

Кроме того, чип NeuRRAM очень универсален и поддерживает множество различных моделей и архитектур нейронных сетей. В результате чип можно использовать для множества различных приложений, включая распознавание и реконструкцию изображений, а также распознавание голоса. О разработке чипа сообщила исследовательская группа, возглавляемая биоинженерами из Калифорнийского университета в Сан-Диего (UCSD), в журнале Nature.

Источник: University of California San Diego.
Крупный план чипа NeuRRAM.

В настоящее время вычисления ИИ являются энергоемкими и дорогостоящими в вычислительном отношении. Большинство приложений ИИ на периферийных устройствах связаны с перемещением данных с устройств в облако, где ИИ обрабатывает и анализирует их. Затем результаты передаются обратно на устройство. Это необходимо, потому что большинство периферийных устройств питаются от батарей и, как следствие, имеют лишь ограниченное количество энергии, которое можно выделить для вычислений.

За счет снижения энергопотребления, необходимого для логического вывода ИИ на периферии, этот чип NeuRRAM может привести к созданию более надежных, интеллектуальных и доступных периферийных устройств и более интеллектуальному производству. Это также может привести к повышению конфиденциальности данных, поскольку передача данных с устройств в облако сопряжена с повышенными рисками для безопасности.

В микросхемах ИИ перемещение данных из памяти в вычислительные устройства является одним из основных узких мест.

Чтобы решить эту проблему с передачей данных, исследователи использовали так называемую резистивную память с произвольным доступом. Этот тип энергонезависимой памяти позволяет выполнять вычисления непосредственно в памяти, а не в отдельных вычислительных блоках. RRAM и другие новые технологии памяти, используемые в качестве массивов синапсов для нейроморфных вычислений, впервые были разработаны в лаборатории Филипа Вонга, советника Вана в Стэнфорде и одного из основных участников этой работы. Хотя вычисления с использованием микросхем RRAM не обязательно являются чем-то новым, как правило, они приводят к снижению точности вычислений, выполняемых на микросхеме, и отсутствию гибкости в архитектуре микросхемы.

Исследователи измерили энергоэффективность чипа по показателю, известному как продукт задержки энергии или EDP. EDP ​​объединяет как количество энергии, потребляемой для каждой операции, так и количество времени, которое требуется для завершения операции. По этому показателю чип NeuRRAM обеспечивает снижение EDP в 1,6–2,3 раза (чем меньше, тем лучше) и вычислительную плотность в 7–13 раз выше, чем у современных чипов.

Ключом к энергоэффективности NeuRRAM является инновационный метод определения выходных данных в памяти. В традиционных подходах в качестве входных данных используется напряжение, а в качестве результата измеряется ток. Но это приводит к необходимости более сложных и энергоемких схем. В NeuRRAM команда разработала нейронную схему, которая измеряет напряжение и выполняет аналого-цифровое преобразование с низким энергопотреблением. Это измерение в режиме напряжения может активировать все строки и все столбцы массива RRAM за один вычислительный цикл, обеспечивая более высокий параллелизм.