سخت‌افزارهای مبتنی بر دستگاه‌های آنالوگ می‌توانند محاسبات هوش مصنوعی را با دقت بالاتر و مصرف انرژی کمتر نسبت به سخت‌افزارهای دیجیتال انجام دهند.
تیمی از پژوهشگران در کره جنوبی به‌تازگی نشان داده‌اند که سخت‌افزارهای آنالوگ مبتنی بر دستگاه‌های حافظه دسترسی تصادفی الکتروشیمیایی یا ECRAM می‌توانند عملکرد محاسباتی هوش مصنوعی را به حداکثر دقت برسانند. در نتیجه این فناوری پتانسیل تجاری‌سازی دارد.
پیشرفت سریع فناوری هوش مصنوعی مقیاس‌پذیری سخت‌افزارهای دیجیتال موجود (CPUها، GPUها، ASICها و غیره) را به مرزهای خود نزدیک کرده است. در نتیجه، پژوهش‌هایی آغاز شده‌اند تا کاربرد سخت‌افزارهای آنالوگ مخصوص را در محاسبات هوش مصنوعی بررسی کنند.
سخت‌افزارهای آنالوگ مقاومت نیمه‌رساناها را براساس ولتاژ یا جریان خروجی تنظیم و از یک آرایش نقطه تقاطع استفاده می‌کنند. این آرایش معمولاً در دستگاه‌های حافظه‌ای استفاده می‌شود که در آن‌ها سلول‌های حافظه در تقاطع‌های عمودی و افقی قرار دارند. این طراحی عمدتاً در دستگاه‌های حافظه نسل جدید مانند حافظه دسترسی تصادفی مقاومتی (RRAM) و حافظه تغییر فاز (PCM) استفاده می‌شود و تراکم حافظه را افزایش و مصرف برق را کاهش می‌دهد.
آرایش نقطه تقاطع به دستگاه‌ها قابلیت پردازش موازی محاسبات هوش مصنوعی را می‌دهد. گرچه سخت‌افزارهای آنالوگ در وظایف محاسباتی خاص و پردازش دادهٔ پیوسته مزایایی نسبت به سخت‌افزارهای دیجیتال دارند، اما برآوردن الزامات متنوع یادگیری محاسباتی و استنتاج هنوز کاری چالش‌برانگیز است.
تیم پژوهشی کره‌ای برای برطرف‌کردن محدودیت‌های سخت‌افزارهای حافظه آنالوگ در حوزه هوش مصنوعی، روی ECRAM متمرکز شدند که هدایت الکتریکی را از طریق حرکت و تمرکز یون‌ها مدیریت می‌کند. برخلاف حافظه‌های نیمه‌رسانای سنتی، این دستگاه‌ها یک ساختار سه‌ایستگاهی با مسیرهای جداگانه برای خواندن و نوشتن داده‌ها دارند. این باعث می‌شود تا مصرف برق کاهش یابد.
پژوهشگران با موفقیت دستگاه‌های ECRAM با نیمه‌رساناهای سه‌ایستگاهی با آرایه ۶۴ در ۶۴ ساختند. آزمایش‌ها نشان می‌دادند که سخت‌افزار آن‌ها خصوصیات الکتریکی و راه‌گزینی عالی، به‌همراه یکپارچگی و بازدهی بالا داشتند.
در ادامه، پژوهشگران یک الگوریتم تیکی-تاکا را با موفقیت اجرا کردند و دقت محاسبات در تمرینات شبکه عصبی مصنوعی را به حداکثر رساندند. الگوریتم تیکی-تاکا یک الگوریتم پیشرفته مخصوص سخت‌افزارهای آنالوگ است که نام آن به تاکتیک فوتبالی معروفی با همین اسم اشاره می‌کند.
به‌طور خاص، پژوهشگران اثر خاصیت «حفظ وزن» در تمرینات سخت‌افزاری را روی یادگیری نشان دادند و تأیید کردند که تکنیک آن‌ها شبکه‌های عصبی مصنوعی را دچار سربار نمی‌کند. این به این معنی است که فناوری آن‌ها قابلیت تجاری‌سازی دارد.
تا پیش از این، بزرگ‌ترین آرایش دستگاه‌های ECRAM برای ذخیره و پردازش سیگنال‌های آنالوگ آرایه ۱۰ در ۱۰ بود. پژوهشگران حالا با موفقیت این دستگاه‌ها را در مقیاسی بزرگ‌تر و با خصوصیاتی متنوع برای هر دستگاه به‌کار برده‌اند.
پژوهشگران می‌گویند که با تحقق آرایش‌های مقیاس بزرگ براساس فناوری‌های حافظه جدید و توسعه الگوریتم‌های مخصوص سخت‌افزاهای آنالوگ، نشان داده‌اند که پتانسیل عملکرد محاسباتی هوش مصنوعی و بهره‌وری انرژی این فناوری بسیار بیشتر از روش‌های دیجیتال است. آن‌ها نتایج کار خود را در ژورنال Science Advances منتشر کرده‌اند.
در آیدت،
فایل‌های
خود را به فروش بگذارید و یا
مقالات‌تان
را منتشر کنید👋
پاسخ ها