IBM melihat manfaat AI dalam memori perubahan fase
HW

IBM melihat manfaat AI dalam memori perubahan fase


Komunikasi Alam (2020). DOI: 10.1038 / s41467-020-16108-9″ width=”800″ height=”480″/>

Metodologi pelatihan dan inferensi. Kredit: Komunikasi Alam (2020). DOI: 10.1038 / s41467-020-16108-9

Dalam perkembangan yang menjanjikan pemrograman perangkat seluler, drone, dan robot yang lebih canggih yang mengandalkan kecerdasan buatan, peneliti IBM mengatakan bahwa mereka telah merancang pendekatan pemrograman yang mencapai akurasi lebih besar dan mengurangi konsumsi energi.

Sistem AI umumnya menggunakan prosedur yang membagi memori dan unit pemrosesan. Praktik ini berarti waktu yang dikonsumsi untuk mentransfer data antara dua titik lewat. Volume transfer data cukup besar untuk menghasilkan tab energi yang mahal.

Komunikasi Alam melaporkan minggu ini bahwa IBM merancang pendekatan yang mengandalkan memori perubahan fase untuk mengeksekusi kode lebih cepat dan lebih murah. Ini adalah jenis memori akses acak yang berisi elemen yang dapat dengan cepat berubah antara status amorf dan kristal, menawarkan kinerja yang lebih unggul daripada modul memori Flash yang lebih umum digunakan. Ia juga dikenal sebagai P-RAM atau PCM. Beberapa orang menyebutnya sebagai “RAM sempurna” karena kemampuan kinerjanya yang luar biasa.

PCM mengandalkan kaca kalkogenida, yang memiliki kapasitas unik untuk mengubah keadaannya saat arus melewatinya. Keuntungan utama teknologi perubahan fase, yang pertama kali dieksplorasi oleh Hewlett Packard, adalah bahwa status memori tidak memerlukan daya terus menerus untuk tetap stabil. Penambahan data di PCM tidak memerlukan siklus penghapusan, seperti jenis penyimpanan memori lainnya. Selain itu, karena kode dapat dieksekusi langsung dari memori daripada disalin ke RAM, PCM beroperasi lebih cepat.

IBM menyadari bahwa meningkatnya kebutuhan operasi yang mengandalkan jaringan saraf dalam di bidang pengenalan gambar dan ucapan, permainan dan robotika menuntut efisiensi yang lebih besar.

“Karena pembelajaran mendalam terus berkembang dan menuntut daya pemrosesan yang lebih besar,” tim IBM mempelajari solusi yang diposting di blog perusahaan, “perusahaan dengan pusat data besar akan segera menyadari bahwa membangun lebih banyak pembangkit listrik untuk mendukung tambahan satu juta kali operasi yang diperlukan untuk menjalankan kategorisasi dari satu gambar, misalnya, tidak ekonomis, atau berkelanjutan. “

“Jelas, kami perlu mengambil rute efisiensi ke depan dengan mengoptimalkan microchip dan perangkat keras agar perangkat tersebut berjalan dengan watt yang lebih sedikit,” kata laporan itu.

IBM membandingkan PCM dengan otak manusia, mencatat bahwa PCM “tidak memiliki kompartemen terpisah untuk menyimpan dan menghitung data, dan karena itu mengkonsumsi energi yang jauh lebih sedikit.”

Satu kelemahan dengan PCM adalah pengenalan ketidakakuratan komputasi karena kebisingan membaca dan menulis konduktansi. IBM mengatasi masalah itu dengan memperkenalkan kebisingan tersebut selama sesi pelatihan AI.

“Asumsi kami adalah bahwa suara injeksi yang sebanding dengan suara perangkat selama pelatihan DNN akan meningkatkan ketahanan model,” laporan IBM menyatakan.

Asumsi mereka benar. Model mereka mencapai akurasi 93,7 persen, yang menurut peneliti IBM adalah peringkat akurasi tertinggi yang dicapai oleh perangkat keras memori yang sebanding.

IBM mengatakan lebih banyak pekerjaan perlu dilakukan untuk mendapatkan tingkat akurasi yang lebih tinggi. Mereka melanjutkan studi menggunakan jaringan saraf konvolusional skala kecil dan jaringan permusuhan generatif, dan baru-baru ini melaporkan kemajuan mereka dalam Frontiers dalam Neuroscience.

“Di era transisi yang semakin banyak menuju teknologi berbasis AI, termasuk perangkat bertenaga baterai internet-of-things dan kendaraan otonom, teknologi tersebut akan sangat diuntungkan dari mesin inferensi DNN yang cepat, bertenaga rendah, dan andal,” IBM laporan mengatakan.


Arsitektur sinaptik baru untuk komputasi yang terinspirasi oleh otak


Informasi lebih lanjut:
Vinay Joshi dkk. Inferensi jaringan neural dalam yang akurat menggunakan memori perubahan fase komputasi, Komunikasi Alam (2020). DOI: 10.1038 / s41467-020-16108-9

SR Nandakumar dkk. Pembelajaran Dalam Presisi Campuran Berdasarkan Memori Komputasi, Frontiers dalam Neuroscience (2020). DOI: 10.3389 / fnins.2020.00406

Blog IBM: www.ibm.com/blogs/research/202… dalam-memori-komputasi /

© 2020 Science X Network

Kutipan: IBM melihat manfaat AI dalam memori perubahan fase (2020, 19 Mei) diambil 27 November 2020 dari https://techxplore.com/news/2020-05-ibm-ai-benefits-phase-change-memory.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Togel Online