IBM-onderzoekers ontwikkelen een nieuwe computerarchitectuur, beter uitgerust om de toegenomen gegevensbelasting van kunstmatige intelligentie aan te kunnen. Hun ontwerpen zijn gebaseerd op concepten uit het menselijk brein en presteren aanzienlijk beter dan conventionele computers in vergelijkende studies. Ze rapporteren over hun recente bevindingen in de Tijdschrift voor Toegepaste Natuurkunde .

De computers van vandaag zijn gebouwd op de von Neumann-architectuur, ontwikkeld in de jaren veertig. Von Neumann-computersystemen hebben een centrale processor die logica en rekenkunde uitvoert, een geheugeneenheid, opslag, en invoer- en uitvoerapparaten. In tegenstelling tot de kachelpijpcomponenten in conventionele computers, de auteurs stellen voor dat op het brein geïnspireerde computers naast elkaar bestaande verwerkings- en geheugeneenheden zouden kunnen hebben.

Aboe Sebastiaan, een auteur op papier, legde uit dat het uitvoeren van bepaalde rekentaken in het computergeheugen de efficiëntie van het systeem zou verhogen en energie zou besparen.

"Als je naar mensen kijkt, we rekenen met 20 tot 30 watt vermogen, overwegende dat AI tegenwoordig is gebaseerd op supercomputers die werken op kilowatt of megawatt aan vermogen, " zei Sebastian. "In de hersenen, synapsen zijn zowel het berekenen als het opslaan van informatie. In een nieuwe architectuur, verder gaan dan von Neumann, geheugen moet een actievere rol spelen bij de informatica."

Het IBM-team putte uit drie verschillende niveaus van inspiratie uit de hersenen. Het eerste niveau maakt gebruik van de toestandsdynamiek van een geheugenapparaat om rekentaken in het geheugen zelf uit te voeren, vergelijkbaar met hoe het geheugen en de verwerking van de hersenen zich op dezelfde locatie bevinden. Het tweede niveau is gebaseerd op de synaptische netwerkstructuren van de hersenen als inspiratie voor arrays van Phase Change Memory (PCM) -apparaten om de training voor diepe neurale netwerken te versnellen. als laatste, de dynamische en stochastische aard van neuronen en synapsen inspireerde het team om een ​​krachtig computersubstraat te creëren voor het versterken van neurale netwerken.

Faseveranderingsgeheugen is een geheugenapparaat op nanoschaal dat is opgebouwd uit verbindingen van Ge, Te en Sb ingeklemd tussen elektroden. Deze verbindingen vertonen verschillende elektrische eigenschappen, afhankelijk van hun atomaire rangschikking. Bijvoorbeeld, in een ongeordende fase, deze materialen vertonen een hoge weerstand, terwijl ze in een kristallijne fase een lage soortelijke weerstand vertonen.

Door elektrische pulsen toe te passen, de onderzoekers moduleerden de verhouding van materiaal in de kristallijne en de amorfe fasen, zodat de geheugenapparaten met faseverandering een continuüm van elektrische weerstand of geleiding konden ondersteunen. Deze analoge opslag lijkt meer op niet-binaire, biologische synapsen en maakt het mogelijk meer informatie op te slaan in een enkel apparaat op nanoschaal.

Sebastian en zijn IBM-collega's zijn verrassende resultaten tegengekomen in hun vergelijkende onderzoeken naar de efficiëntie van deze voorgestelde systemen. "We hadden altijd verwacht dat deze systemen in sommige taken veel beter zouden zijn dan conventionele computersystemen, maar we waren verrast hoeveel efficiënter sommige van deze benaderingen waren."

Vorig jaar, ze voerden een onbewaakt machine learning-algoritme uit op een conventionele computer en een prototype computergeheugenplatform op basis van geheugenapparaten met faseverandering. "We zouden 200 keer snellere prestaties kunnen bereiken in de geheugencomputersystemen met faseverandering in tegenstelling tot conventionele computersystemen." zei Sebastiaan. "We wisten altijd dat ze efficiënt zouden zijn, maar we hadden niet verwacht dat ze zo veel beter zouden presteren." Het team blijft prototype-chips en -systemen bouwen op basis van door het brein geïnspireerde concepten.