Idealmente, le tecnologie AI di nuova generazione dovrebbero comprendere tutte le nostre richieste e comandi, estraendoli da un enorme sfondo di informazioni irrilevanti, al fine di fornire rapidamente risposte e soluzioni pertinenti alle nostre esigenze quotidiane. Rendere pervasive queste tecnologie AI "intelligenti" nei nostri smartphone, le nostre case, e le nostre auto, richiederanno hardware IA ad alta efficienza energetica, che noi di IBM Research intendiamo costruire attorno a dispositivi di memoria analogici nuovi e altamente capaci.

In un recente articolo pubblicato su Rivista di fisica applicata , il nostro team IBM Research AI ha stabilito una serie dettagliata di linee guida che i dispositivi di memoria analogici su nanoscala emergenti dovranno soddisfare per abilitare tali acceleratori hardware AI ad alta efficienza energetica.

Avevamo già mostrato, in un Natura documento pubblicato nel giugno 2018, che l'addestramento di una rete neurale utilizzando il calcolo altamente parallelo all'interno di densi array di dispositivi di memoria come la memoria a cambiamento di fase è più veloce e consuma meno energia rispetto all'utilizzo di un'unità di elaborazione grafica (GPU).

Il vantaggio del nostro approccio deriva dall'implementazione di ogni peso della rete neurale con più dispositivi, ognuno serve in un ruolo diverso. Alcuni dispositivi hanno principalmente il compito di memorizzare informazioni a lungo termine. Altri dispositivi vengono aggiornati molto rapidamente, cambiano come immagini di allenamento (come immagini di alberi, gatti, navi, ecc.) sono mostrati, e poi di tanto in tanto trasferire il loro apprendimento ai dispositivi di informazione a lungo termine. Sebbene abbiamo introdotto questo concetto nel nostro articolo su Nature utilizzando dispositivi esistenti (memoria a cambiamento di fase e condensatori convenzionali), abbiamo ritenuto che dovesse esserci un'opportunità per i nuovi dispositivi di memoria di funzionare ancora meglio, se potessimo solo identificare i requisiti per questi dispositivi.

Nel nostro documento di follow-up, appena pubblicato in Rivista di fisica applicata , siamo stati in grado di quantificare le proprietà del dispositivo che questi dispositivi "informazioni a lungo termine" e "aggiornamento rapido" avrebbero dovuto esibire. Poiché il nostro schema divide le attività tra le due categorie di dispositivi, questi requisiti del dispositivo sono molto meno rigorosi e quindi molto più realizzabili rispetto a prima. Il nostro lavoro fornisce un chiaro percorso per gli scienziati dei materiali per sviluppare nuovi dispositivi per acceleratori hardware AI ad alta efficienza energetica basati sulla memoria analogica.

Questa storia è stata ripubblicata per gentile concessione di IBM Research. Leggi la storia originale qui.