Ideaal, AI-technologieën van de volgende generatie moeten al onze verzoeken en opdrachten begrijpen, ze halen uit een enorme achtergrond van irrelevante informatie, om snel relevante antwoorden en oplossingen te bieden voor onze dagelijkse behoeften. Deze 'slimme' AI-technologieën alomtegenwoordig maken - in onze smartphones, onze huizen, en onze auto's - hebben energiezuinige AI-hardware nodig, die we bij IBM Research van plan zijn te bouwen rond nieuwe en zeer capabele analoge geheugenapparaten.

In een recent artikel gepubliceerd in Tijdschrift voor Toegepaste Natuurkunde , ons IBM Research AI-team heeft een gedetailleerde reeks richtlijnen opgesteld waaraan opkomende analoge geheugenapparaten op nanoschaal moeten voldoen om dergelijke energiezuinige AI-hardwareversnellers mogelijk te maken.

We hadden eerder laten zien, in een Natuur paper gepubliceerd in juni 2018, dat het trainen van een neuraal netwerk met behulp van zeer parallelle berekeningen binnen dichte arrays van geheugenapparaten zoals faseveranderingsgeheugen sneller is en minder stroom verbruikt dan het gebruik van een grafische verwerkingseenheid (GPU).

Het voordeel van onze aanpak komt van het implementeren van elk neuraal netwerkgewicht met meerdere apparaten, elk in een andere rol. Sommige apparaten zijn voornamelijk belast met het onthouden van langetermijninformatie. Andere apparaten worden zeer snel bijgewerkt, veranderen als trainingsafbeeldingen (zoals afbeeldingen van bomen, katten, schepen, enz.) worden getoond, en dan af en toe hun leerproces over te dragen naar de informatieapparatuur voor de lange termijn. Hoewel we dit concept in onze Nature-paper hebben geïntroduceerd met behulp van bestaande apparaten (faseveranderingsgeheugen en conventionele condensatoren), we vonden dat er een kans moest zijn voor nieuwe geheugenapparaten om nog beter te presteren, als we de vereisten voor deze apparaten konden identificeren.

In ons vervolgdocument net gepubliceerd in Tijdschrift voor Toegepaste Natuurkunde , we waren in staat om de apparaateigenschappen te kwantificeren die deze apparaten met "langetermijninformatie" en "fast-update" zouden moeten vertonen. Omdat ons schema taken verdeelt over de twee categorieën apparaten, deze apparaatvereisten zijn veel minder streng - en dus veel beter haalbaar - dan voorheen. Ons werk biedt materiaalwetenschappers een duidelijk pad om nieuwe apparaten te ontwikkelen voor energiezuinige AI-hardwareversnellers op basis van analoog geheugen.

Dit verhaal is opnieuw gepubliceerd met dank aan IBM Research. Lees hier het originele verhaal.