Max Home IndustryИсследователи из Института промышленных наук Токийского университета спроектировали и построили специализированное компьютерное оборудование, состоящее из стеков модулей памяти, расположенных по трехмерной спирали, для приложений искусственного интеллекта (ИИ). Это исследование может открыть путь для нового поколения энергоэффективных устройств искусственного интеллекта.
Машинное обучение — это тип ИИ, который позволяет обучать компьютеры на примерах данных, чтобы делать прогнозы для новых экземпляров. Например, алгоритм умного динамика, такой как Alexa, может научиться понимать ваши голосовые команды, поэтому он сможет понять вас, даже когда вы впервые о чем-то просите. Однако для обучения ИИ обычно требуется много электроэнергии, что вызывает опасения по поводу внесения изменений в климат.
Теперь ученые из Института промышленных наук Токийского университета разработали новую конструкцию для объединения резистивных модулей оперативной памяти с оксидно-полупроводниковым транзистором (IGZO) по трехмерной спирали. Наличие встроенной энергонезависимой памяти, расположенной рядом с процессорами, делает процесс обучения машинному обучению намного быстрее и более энергоэффективным. Это связано с тем, что электрические сигналы проходят гораздо меньшее расстояние по сравнению с обычным компьютерным оборудованием. Составление нескольких уровней схем — естественный шаг, поскольку обучение алгоритма часто требует одновременного выполнения множества операций параллельно.
«В этих приложениях выход каждого уровня обычно подключается к входу следующего уровня. Наша архитектура значительно снижает потребность в соединительной проводке», — говорит первый автор Цзиксуан Ву.
Команде удалось сделать устройство еще более энергоэффективным, реализовав систему бинаризованных нейронных сетей. Вместо того, чтобы разрешать параметрам быть любое число, они могут быть либо +1, либо -1. Это значительно упрощает используемое оборудование, а также сокращает объем данных, которые необходимо сохранить. Они протестировали устройство, используя обычную задачу ИИ — интерпретацию базы данных рукописных цифр. Ученые показали, что увеличение размера каждого слоя схемы может повысить точность алгоритма примерно до 90%.
«Чтобы снизить потребление энергии по мере того, как ИИ становится все более интегрированным в повседневную жизнь, нам нужно более специализированное оборудование для эффективного решения этих задач», — объясняет старший автор Масахару Кобаяши.
Эта работа является важным шагом на пути к «Интернету вещей», в котором многие небольшие устройства с поддержкой искусственного интеллекта обмениваются данными как часть интегрированного «умного дома».