忆阻器解决人工智能的用电问题
来源:eetop发布时间:2023-05-251183浏览
询问 AI所有智能计算只消耗1/800的能量。
模仿神经元间突触的忆阻器件可以作为神经网络的硬件，帮助神经网络复制大脑学习的方式。现在，两项新的研究也许能够帮助解决这些组件在生产、可靠性以及获取更广泛应用方面的关键问题。在电源关闭后，忆阻器和相关的忆阻器件能够记住切换的电气状态。它们可以用于计算和存储数据，大大减少在处理器和内存之间来回传输数据所消耗的能量和时间。这种脑启发式硬件又称神经形态硬件，也许还能够成为实现神经网络的理想选择，比如将人工智能（AI）系统用于医学数据分析和自动驾驶车辆导航等应用。目前的忆阻器件存在成品率低和性能不可靠的问题。为了帮助克服这些挑战，以色列和中国的研究人员通过在标准互补金属氧化物半导体（CMOS）生产线上制造忆阻器件，实现了这一目标，达到了100%的成品率。他们制成的硅突触处理乘法累加运算（神经网络中最基本的功能）的能效是高性能英伟达Tesla V100图形处理单元的350倍。科学家开发新器件使用的是商业闪存中的浮栅晶体管技术。传统的浮栅晶体管有3个端子，而新器件只有2个端子，这大大简化了生产和操作流程，缩小了器件尺寸。此外，该研究的资深作者、以色列理工学院电气与计算机工程副教授沙哈尔•科瓦丁斯基（Shahar Kvatinsky）说，这些器件只有二进制输入和输出，不需要神经形态硬件中常用的大型高耗能模数转换器和数模转换器。
新器件能够承受电压脉冲超过10万次的编程和擦除，而且它们只显示出适度的器件差异，预计能保存数据10年以上。研究人员采用约由150个组件组成的阵列，仅使用二进制信号，实现了一种神经网络。在试验中，它识别手写数字的准确率达到约97%。科瓦丁斯基说，这项工作“只是一个开始，是概念证明，还不是一个完整的芯片或大型神经网络。集成和扩展将是一项重大挑战。”在另一项研究中，法国的一组研究人员使用忆阻器进行贝叶斯推理，在这种技术中，先验知识帮助计算某一不确定选择为正确的概率。许多人工智能计算都是几乎无法理解的，但法国的系统却可以充分解释，这意味着，人们可以用它提出改进方法。它可以结合专家知识，即使没有可用数据，也能表现很好。即便如此，“如何使用忆阻器来计算贝叶斯推理仍不明显。”该研究的合著者、巴黎-萨克雷大学和法国国家科学研究中心的研究科学家达米恩•克雷奥兹（Damien Querlioz）说。使用传统电子设备执行贝叶斯推理需要复杂的记忆模式，“这会随着观察次数的增加呈指数级增长。”未参加这两项研究的苏黎世神经信息学研究所神经形态学科学家梅里卡•佩凡德（Melika Payvand）说。不过，她指出，克雷奥兹和他的同事“找到了一种简化方法”。科学家改写了贝叶斯方程式，使忆阻器阵列能够对随机性进行统计分析，也称为随机计算。使用这种方法，阵列在时钟嘀嗒声中生成半随机比特流。这些比特通常是0，但有时是1。0与1的比例编码成为阵列执行统计计算所需的概率。与非随机方法相比，这种数字方法使用相对简单的电路，这些策略缩小了系统的体积并降低了能量需求。研究人员制作的原型电路在同一芯片的30 080个互补金属氧化物半导体晶体管上结合了2048个氧化铪忆阻器。在试验中，新电路利用戴在手腕上的设备所发出的信号来识别人的手写签名。通常认为，使用传统电子设备进行贝叶斯推理的计算成本很高。新电路只需传统计算机处理器1/800到1/5000的能量，即可进行手写识别。这表明，“忆阻器在实现低能耗人工智能方面极有希望。”克雷奥兹说。新的器件还可以立即打开和关闭，这意味着，为了节省电力，可以只在需要时调用它。研究人员还说，它对随机事件也有容错性，这使它在极端环境中很有用。总而言之，新电路“擅长应用在对安全性要求极高的场景，这种场景中存在高度的不确定性，可用数据很少，需要作出可解释的决定。”克雷奥兹说，“例如医用传感器或工业设施安全监测电路。”贝叶斯系统面临的一个关键障碍是如何扩大规模，处理更大的问题或网络。克雷奥兹指出，该团队现在正在规模化制造该器件。他表示，他们的电路目前专门用于特定类型的贝叶斯计算，他们希望未来的设计能够拥有更强适应性。这两项研究都发表在2022年12月19日的《自然•电子学》杂志上。文章来源于悦智网，作者Charles Q，Choi今晚直播提醒（提前报名，免费参加）
新闻来源：EETOP，文中所述为作者独立观点，不代表icspec立场。更多精彩资讯请下载icspec App。如对本稿件有异议，请联系微信客服specltkj。
