En ny hjerneinspireret arkitektur kunne forbedre, hvordan computere håndterer data og fremmer AI

IBM -forskere udvikler en ny computerarkitektur, bedre rustet til at håndtere øget datalast fra kunstig intelligens. Deres design trækker på begreber fra den menneskelige hjerne og udkonkurrerer betydeligt bedre end konventionelle computere i sammenlignende undersøgelser. De rapporterer om deres seneste fund i Journal of Applied Physics .

Dagens computere er bygget på von Neumann -arkitekturen, udviklet i 1940'erne. Von Neumann -computersystemer har en central processor, der udfører logik og regning, en hukommelsesenhed, opbevaring, og input- og outputenheder. I modsætning til komfurrørets komponenter i konventionelle computere, forfatterne foreslår, at hjerneinspirerede computere kunne have sameksisterende behandlings- og hukommelsesenheder.

Abu Sebastian, en forfatter på papiret, forklarede, at udførelse af visse beregningsopgaver i computerens hukommelse ville øge systemets effektivitet og spare energi.

"Hvis du ser på mennesker, vi beregner med 20 til 30 watt effekt, der henviser til, at AI i dag er baseret på supercomputere, der kører på kilowatt eller megawatt strøm, "Sagde Sebastian." I hjernen, synapser er både beregning og lagring af information. I en ny arkitektur, går ud over von Neumann, hukommelse skal spille en mere aktiv rolle i computing. "

IBM -teamet trak på tre forskellige niveauer af inspiration fra hjernen. Det første niveau udnytter en hukommelsesenheds tilstandsdynamik til at udføre beregningsopgaver i selve hukommelsen, ligner hvordan hjernens hukommelse og behandling er co-lokaliseret. Det andet niveau trækker på hjernens synaptiske netværksstrukturer som inspiration til arrays af faseændringshukommelse (PCM) -enheder for at fremskynde træning til dybe neurale netværk. Endelig, neurons og synapser dynamiske og stokastiske karakter inspirerede teamet til at skabe et kraftfuldt beregningsmæssigt substrat til spiking af neurale netværk.

Phase change memory er en nanoskala hukommelsesenhed bygget af forbindelser af Ge, Te og Sb klemt mellem elektroderne. Disse forbindelser udviser forskellige elektriske egenskaber afhængigt af deres atomarrangement. For eksempel, i en uordnet fase, disse materialer udviser høj resistivitet, hvorimod de i en krystallinsk fase viser lav resistivitet.

Ved at anvende elektriske impulser, forskerne modulerede forholdet mellem materiale i den krystallinske og de amorfe fase, så faseændringshukommelsesenhederne kunne understøtte et kontinuum af elektrisk modstand eller konduktans. Denne analoge opbevaring minder bedre om ikke -binær, biologiske synapser og gør det muligt at gemme flere oplysninger i en enkelt nanoskalaenhed.

Sebastian og hans IBM -kolleger er stødt på overraskende resultater i deres sammenlignende undersøgelser af effektiviteten af ​​disse foreslåede systemer. "Vi forventede altid, at disse systemer ville være meget bedre end konventionelle computersystemer i nogle opgaver, men vi var overraskede over, hvor meget mere effektive nogle af disse fremgangsmåder var. "

Sidste år, de kørte en uovervåget maskinindlæringsalgoritme på en konventionel computer og en prototype beregningsmæssig hukommelsesplatform baseret på faseændringshukommelsesenheder. "Vi kunne opnå 200 gange hurtigere ydeevne i faseændringshukommelsessystemerne i modsætning til konventionelle computersystemer." Sagde Sebastian. "Vi har altid vidst, at de ville være effektive, men vi forventede ikke, at de ville præstere så meget. "Teamet fortsætter med at bygge prototype chips og systemer baseret på hjerneinspirerede koncepter.