第一個可編程憶阻器計算機旨在將AI處理從云端帶下來

第一個可編程憶阻器計算機 - 不僅僅是通過外部計算機操作的憶阻器陣列 - 已在密歇根大學開發(fā)。

它可能導致直接在小型，能量受限的設備(如智能手機和傳感器)上處理人工智能。智能手機AI處理器意味著不再需要將語音命令發(fā)送到云端進行解釋，從而加快響??應時間。

“每個人都希望在智能手機上安裝AI處理器，但你不希望你的手機電池耗電很快，”電子和計算機工程教授，自然電子研究的高級作者Wei Lu說。

在醫(yī)療設備中，在沒有云的情況下運行AI算法的能力將實現(xiàn)更好的安全性和隱私性。

為什么憶阻器有利于機器學習

實現(xiàn)這一目標的關鍵可能是稱為憶阻器的高級計算機組件。該電路元件是具有存儲器的電阻器，具有可變電阻，可用作信息存儲的形式。由于憶阻器在同一位置存儲和處理信息，因此它們可以解決計算速度和功耗的最大瓶頸：內存和處理器之間的連接。

這對于處理大量數(shù)據(jù)的機器學習算法尤其重要，例如識別照片和視頻中的對象，或預測哪些醫(yī)院患者感染的風險較高。程序員已經(jīng)喜歡在圖形處理單元而不是計算機的主處理器(處理單元)上運行這些算法。

“ 就功率和吞吐量而言，GPU和非常定制和優(yōu)化的數(shù)字電路被認為比CPU好10到100倍。” 陸說。“憶阻器AI處理器可能會再好10到100倍。”

GPU在機器學習任務中的表現(xiàn)更好，因為它們有數(shù)千個小核心可以同時運行計算，而不是等待CPU中少數(shù)強大核心之一的計算串。

憶阻器陣列更進一步。每個憶阻器都能夠進行自己的計算，允許一次執(zhí)行核心內的數(shù)千次操作。在這個實驗規(guī)模的計算機中，有超過5,800個憶阻器。商業(yè)設計可能包括數(shù)百萬。

魏璐與第一作者Seung Hwan Lee，一位電氣工程博士生，擁有憶阻器陣列。圖片來源：Robert Coelius，密歇根工程學院

憶阻器陣列特別適合機器學習問題。這樣做的原因是機器學習算法將數(shù)據(jù)轉換為向量的方式 - 本質上是數(shù)據(jù)點列表。例如，在預測患者在醫(yī)院感染的風險時，該向量可能列出患者風險因素的數(shù)字表示。

然后，機器學習算法將這些“輸入”向量與存儲在存儲器中的“特征”向量進行比較。這些特征向量代表數(shù)據(jù)的某些特征(例如潛在疾病的存在)。如果匹配，則系統(tǒng)知道輸入數(shù)據(jù)具有該特征。矢量存儲在矩陣中，類似于數(shù)學電子表格，這些矩陣可以直接映射到憶阻器陣列上。

更重要的是，當數(shù)據(jù)通過陣列饋送時，大部分數(shù)學處理通過憶阻器中的自然電阻發(fā)生，消除了將特征向量移入和移出存儲器以執(zhí)行計算的需要。這使得陣列在復雜的矩陣計算中非常有效。早期的研究證明了憶阻器陣列有可能加速機器學習，但它們需要外部計算元件才能運行。

構建可編程憶阻器計算機

為了構建第一臺可編程憶阻器計算機，Lu的團隊與UM的電子和計算機工程副教授張亞亞和Michael Flynn教授一起設計了一個芯片，可以將憶阻器陣列與編程和運行所需的所有其他元件集成在一起。它。這些組件包括傳統(tǒng)的數(shù)字處理器和通信通道，以及數(shù)字/模擬轉換器，用作模擬憶阻器陣列和計算機其余部分之間的解釋器。

然后，Lu的團隊將憶阻器陣列直接集成在UM的Lurie Nanofabrication Facility的芯片上。他們還開發(fā)了將機器學習算法映射到憶阻器陣列的矩陣結構上的軟件。

該團隊使用三種面包機器學習算法演示了該設備：

Perceptron，用于對信息進行分類。他們能夠100%準確地識別出不完美的希臘字母

稀疏編碼，壓縮和分類數(shù)據(jù)，特別是圖像。該計算機能夠找到最有效的方式來重建一組具有100%的準確度和圖像識別的模式

雙層神經(jīng)網(wǎng)絡，旨在尋找復雜數(shù)據(jù)中的模式。這個雙層網(wǎng)絡在乳腺癌篩查數(shù)據(jù)中找到了共性和差異因素，然后將每個病例分類為惡性或良性，準確率為94.6%。

擴展商業(yè)用途存在挑戰(zhàn) - 憶阻器還不能像它們需要的那樣完全相同，并且存儲在陣列中的信息并不完全可靠，因為它運行在模擬的連續(xù)體而不是數(shù)字上。這些是陸氏集團的未來方向。

盧計劃將這項技術商業(yè)化。該研究的標題是“完全集成的可重編程憶阻器-CMOS系統(tǒng)，用于高效的乘法累加運算。”