Группа исследователей из POSTECH и Корейского университета успешно создала аналоговое оборудование с использованием устройств электрохимической памяти с произвольным доступом (ECRAM), которое может значительно повысить вычислительную производительность искусственного интеллекта. Результаты их работы были опубликованы в международном журнале Science Advances.

Быстрое развитие технологий ИИ, включая такие приложения, как генеративные модели, привело к тому, что масштабируемость существующего цифрового оборудования достигла своих пределов. В связи с этим, активно ведутся исследования аналогового оборудования, специализированного для потребностей ИИ. Аналоговое оборудование регулирует сопротивление полупроводников на основе внешнего напряжения или тока и использует структуру кросс-точечного массива с вертикально скрещенными устройствами памяти для параллельной обработки вычислений. Хотя аналоговое оборудование и предлагает преимущества по сравнению с цифровым оборудованием для конкретных вычислительных задач и непрерывной обработки данных, удовлетворение разнообразных требований к вычислительному обучению и выводу остаётся сложной задачей.

Источник: DALL-E

Чтобы преодолеть ограничения аналоговых аппаратных запоминающих устройств, исследовательская группа сосредоточилась на устройствах ECRAM, которые управляют электропроводностью посредством движения и концентрации ионов. Эти устройства имеют трёхконтактную структуру с отдельными путями для чтения и записи данных, что позволяет работать при относительно низкой мощности.

В ходе исследования команда успешно изготовила устройства ECRAM, используя трёхконтактные полупроводники в массиве 64×64. Эксперименты показали, что оборудование, включающее устройства команды, продемонстрировало превосходные электрические и коммутационные характеристики, а также высокую производительность и однородность. Кроме того, исследователи применили алгоритм Тики-Така на аналоговой основе, к этому высокопроизводительному оборудованию, успешно максимизировав точность вычислений обучения нейронной сети.

Исследователи продемонстрировали влияние свойства «удержания веса» обучения оборудования на обучение и подтвердили, что их метод не перегружает искусственные нейронные сети, что подчёркивает потенциал для коммерциализации технологии.

Профессор Сейонг Ким из POSTECH отметил: «Реализуя крупномасштабные массивы на основе новых технологий запоминающих устройств и разрабатывая аналоговые алгоритмы ИИ, мы выявили потенциал вычислительной производительности и энергоэффективности ИИ, которые намного превосходят существующие цифровые методы».

Эта разработка может значительно повысить производительность и энергоэффективность вычислений ИИ, открывая новые возможности для коммерциализации технологии и её применения в различных областях, включая генеративный ИИ и другие передовые приложения искусственного интеллекта.