科学家推出了一种适用于人工智能的内存计算架构

人工智能对传统计算架构提出了重大挑战。在标准模型中，内存存储和计算发生在机器的不同部分，数据必须从其存储区域移动到 CPU 或 GPU 进行处理。这种设计的问题性能会受到限制，因为它会闲置等待数据，这个问题被称为“内存墙”或“瓶颈”。

当计算性能优于内存传输时，延迟是不可避免的。在处理机器学习和人工智能应用程序所必需的大量数据时，这些延迟成为严重的问题。

随着人工智能软件的不断发展，传感器密集型物联网的兴起产生了越来越大的数据集，研究人员已将注意力集中在硬件重新设计上，以在速度、敏捷性和能源使用方面提供所需的改进。

宾夕法尼亚大学工程与应用科学学院的一组研究人员与桑迪亚国家实验室和布鲁克海文国家实验室的科学家合作，推出了一种适用于人工智能的计算架构。该研究小组依靠一种称为内存计算 (CIM) 的方法。

在 CIM 架构中，处理和存储发生在同一个地方，从而消除了传输时间并最大限度地减少了能源消耗。该团队的新 CIM 设计是最近发表在?Nano Letters上的一项研究的主题，以完全无晶体管而著称。这种设计独特地适应了大数据应用程序改变计算性质的方式。

无晶体管设计的美妙之处在于它简单、小巧、快速，并且只需要很少的能量。

进步不仅在电路级设计。这种新的计算架构建立在该团队早期在材料科学方面的工作之上，该工作专注于一种称为钪合金氮化铝 (AlScN) 的半导体。AlScN 允许铁电开关，其物理特性比替代的非易失性存储元件更快、更节能。

这种材料的一个关键属性是它可以在足够低的温度下沉积以与硅铸造厂兼容，大多数铁电材料需要更高的温度。AlScN 的特殊性能意味着存储设备可以在垂直异质集成堆栈中的硅层顶部。

2021 年，该团队确立了 AlScN?作为内存计算引擎的可行性。它在小型化、低成本、资源效率、易于制造和商业可行性方面的能力在研究和工业界都取得了重大进展。

在最近首次推出无晶体管设计的研究中，该团队观察到他们的 CIM 铁二极管的执行速度可能比传统计算架构快 100 倍。

该领域的其他研究已成功使用内存计算架构来提高 AI 应用程序的性能。然而，这些解决方案受到限制，无法克服性能和灵活性之间的矛盾权衡。使用忆阻器交叉阵列的计算架构（一种模仿人脑结构以支持神经网络操作的高级性能的设计）也展示了惊人速度。

然而，使用多层算法来解释数据和识别模式的神经网络操作只是功能性 AI 所需的几个关键数据任务类别之一。该设计的适应性不足以为任何其他 AI 数据操作提供足够的性能。获 取 更多前沿科技?研究 进展访问：https://byteclicks.com

该研究团队的铁二极管设计提供了其他内存计算架构所没有的突破性灵活性。它实现了卓越的准确性，在构成有效 AI 应用程序基础的三种基本数据操作中表现同样出色。它支持片上存储，或容纳深度学习所需的大量数据的能力、并行搜索、允许精确数据过滤和分析功能，以及矩阵乘法加速，这是神经网络计算的核心过程。

这项研究非常重要，因为它证明我们可以依靠内存技术来开发集成多个人工智能数据应用程序的芯片，从而真正挑战传统计算技术。

无晶体管的内存计算架构允许执行AI应用程序必不可少的三项计算任务：搜索、存储和神经网络操作。

版权声明：除特殊说明外，本站所有文章均为 字节点击 原创内容，采用 BY-NC-SA 知识共享协议。原文链接：https://byteclicks.com/41992.html 转载时请以链接形式标明本文地址。转载本站内容不得用于任何商业目的。本站转载内容版权归原作者所有，文章内容仅代表作者独立观点，不代表字节点击立场。报道中出现的商标、图像版权及专利和其他版权所有的信息属于其合法持有人，只供传递信息之用，非商务用途。如有侵权，请联系 gavin@byteclicks.com。我们将协调给予处理。

赞