"In-memory computing" o "memoria computazionale" è un concetto emergente che utilizza le proprietà fisiche dei dispositivi di memoria sia per l'archiviazione che per l'elaborazione delle informazioni. Questo è in contrasto con gli attuali sistemi e dispositivi von Neumann, come computer desktop standard, laptop e persino cellulari, che trasportano i dati avanti e indietro tra la memoria e l'unità di calcolo, rendendoli così più lenti e meno efficienti dal punto di vista energetico.

Oggi, IBM Research annuncia che i suoi scienziati hanno dimostrato che un algoritmo di apprendimento automatico non supervisionato, in esecuzione su un milione di dispositivi di memoria a cambiamento di fase (PCM), ha trovato con successo correlazioni temporali in flussi di dati sconosciuti. Rispetto ai computer classici all'avanguardia, si prevede che questa tecnologia prototipo produrrà miglioramenti di 200 volte sia in termini di velocità che di efficienza energetica, rendendolo altamente adatto per consentire ultra-denso, a bassa potenza, e sistemi di calcolo massivamente paralleli per applicazioni nell'intelligenza artificiale.

I ricercatori hanno utilizzato dispositivi PCM realizzati con una lega di tellururo di antimonio germanio, che è impilato e inserito tra due elettrodi. Quando gli scienziati applicano una piccola corrente elettrica al materiale, lo scaldano, che altera il suo stato da amorfo (con disposizione atomica disordinata) a cristallino (con configurazione atomica ordinata). I ricercatori IBM hanno utilizzato le dinamiche di cristallizzazione per eseguire calcoli sul posto.

"Questo è un importante passo avanti nella nostra ricerca sulla fisica dell'IA, che esplora nuovi materiali hardware, dispositivi e architetture, " dice il dottor Evangelos Eleftheriou, un IBM Fellow e coautore del documento. "Poiché le leggi di scala del CMOS vengono meno a causa dei limiti tecnologici, è necessario un radicale allontanamento dalla dicotomia processore-memoria per aggirare i limiti dei computer di oggi. Data la semplicità, alta velocità e bassa energia del nostro approccio di elaborazione in memoria, è notevole che i nostri risultati siano così simili al nostro approccio classico di riferimento eseguito su un computer von Neumann".

I dettagli sono spiegati nel loro articolo apparso oggi sulla rivista peer-review Comunicazioni sulla natura . Per dimostrare la tecnologia, gli autori hanno scelto due esempi basati sul tempo e hanno confrontato i loro risultati con i tradizionali metodi di apprendimento automatico come il clustering k-means:

• Dati simulati:un milione di processi binari (0 o 1) casuali organizzati su una griglia 2-D basata su un pixel di 1000 x 1000, bianco e nero, disegno di profilo del famoso matematico britannico Alan Turing. Gli scienziati IBM hanno poi fatto lampeggiare i pixel con la stessa velocità, ma i pixel neri si accendevano e si spegnevano in modo debolmente correlato. Ciò significa che quando un pixel nero lampeggia, c'è una probabilità leggermente più alta che anche un altro pixel nero lampeggi. I processi casuali sono stati assegnati a un milione di dispositivi PCM, ed è stato implementato un semplice algoritmo di apprendimento. Ad ogni battito di ciglia, l'array PCM ha appreso, e i dispositivi PCM corrispondenti ai processi correlati sono passati ad uno stato di alta conduttanza. In questo modo, la mappa di conduttanza dei dispositivi PCM ricrea il disegno di Alan Turing. (vedi immagine sopra)
• Dati del mondo reale:dati sulle precipitazioni effettive, raccolti in un periodo di sei mesi da 270 stazioni meteorologiche negli Stati Uniti a intervalli di un'ora. Se pioveva entro un'ora, era etichettato "1" e se non era "0". Il classico clustering k-means e l'approccio di calcolo in memoria hanno concordato la classificazione di 245 delle 270 stazioni meteorologiche. L'elaborazione in memoria ha classificato 12 stazioni come non correlate che erano state contrassegnate come correlate dall'approccio del clustering k-means. Allo stesso modo, l'approccio di calcolo in memoria ha classificato 13 stazioni come correlate che erano state contrassegnate come non correlate dal clustering k-means.

"Finora la memoria è stata vista come un luogo in cui memorizziamo semplicemente informazioni. Ma in questo lavoro, mostriamo in modo conclusivo come possiamo sfruttare la fisica di questi dispositivi di memoria per eseguire anche una primitiva computazionale di livello piuttosto elevato. Il risultato del calcolo è anche memorizzato nei dispositivi di memoria, e in questo senso il concetto è vagamente ispirato dal modo in cui il cervello calcola", ha affermato il dott. Abu Sebastian, scienziato della memoria esplorativa e delle tecnologie cognitive, IBM Research e autore principale del documento.