دستگاه‌های جدید ممکن است "دیوار حافظه" هوش مصنوعی را پشت سر بگذارند

ایالات متحده - خبرگزاری اخباری

دستگاه‌های جدید ممکن است "دیوار حافظه" هوش مصنوعی را پشت سر بگذارند

در یک پیشرفت قابل توجه برای هوش مصنوعی، دانشمندان فناوری حافظه جدیدی را توسعه داده‌اند که می‌تواند "دیوار حافظه" دیرینه‌ای را که مانع پیشرفت هوش مصنوعی شده است، بشکند. چالش رایج، زمان و انرژی عظیمی است که صرف انتقال داده‌ها بین پردازنده‌ها و حافظه می‌شود، حتی برای مدل‌های هوش مصنوعی بسیار بهینه‌سازی شده. این گلوگاه، سرعت و قابلیت‌های یادگیری سیستم‌های فعلی هوش مصنوعی را محدود می‌کند.

این نوآوری از رویکردی جدید به حافظه دسترسی تصادفی مقاومتی (RRAM) ناشی می‌شود، نوعی حافظه غیر فرّار که داده‌ها را با تغییر مقاومت الکتریکی خود ذخیره می‌کند. محققان دانشگاه کالیفرنیا، سن دیگو (UCSD)، شکلی جدید از RRAM به نام "Bulk RRAM" را طراحی کرده‌اند که برای انجام محاسبات کلیدی برای شبکه‌های عصبی – مانند ضرب ماتریس و جمع – مستقیماً درون سلول‌های حافظه طراحی شده است. این پارادیم "محاسبات درون حافظه" (in-memory computing) با هدف حذف انتقال ناکارآمد داده بین واحدهای پردازش و حافظه جداگانه است.

دکتر دویگو کوزوم (Duygu Kuzum)، مهندس برق در UCSD و پژوهشگر ارشد این پروژه، توضیح داد که نوآوری اصلی شامل بازطراحی اساسی نحوه عملکرد RRAM است. RRAM سنتی بر تشکیل "فیلامنت‌های" (filaments) با مقاومت کم در داخل یک ماده دی‌الکتریک با مقاومت بالاتر متکی است. این فرآیند اغلب به ولتاژهای بالایی نیاز دارد که با فناوری استاندارد CMOS ناسازگار است، و ادغام آن را در پردازنده‌ها پیچیده می‌کند، و خود تشکیل فیلامنت ذاتاً پر سر و صدا و تصادفی است. چنین ناپایداری برای هوش مصنوعی مضر است، جایی که حتی تغییرات جزئی در وزن‌های محاسباتی (computational weights) می‌تواند منجر به نتایج کاملاً متفاوتی شود.

علاوه بر این، ناپایداری ذاتی و نیاز به جداسازی با استفاده از ترانزیستورهای انتخابی (selector transistors) در RRAM مبتنی بر فیلامنت، انباشتگی پیچیده سه‌بعدی (3D stacking) را دشوار می‌کند. این محدودیت‌ها از نظر تاریخی RRAM سنتی را برای عملیات ماتریس موازی (parallel matrix operations) که برای شبکه‌های عصبی مدرن حیاتی هستند، نامناسب کرده‌اند. تصمیم تیم UCSD این بود که به طور کامل از این فیلامنت‌ها فاصله بگیرند.

در عوض، دستگاه‌های "Bulk RRAM" آن‌ها با تغییر حالت مقاومت کل لایه، از بالا به پایین و بالعکس، با یک پالس ولتاژ واحد کار می‌کنند. این رویکرد نیاز به تشکیل فیلامنت با ولتاژ بالا را برطرف می‌کند و ترانزیستور انتخابی محدودکننده هندسه را حذف می‌کند، و راه را برای طرح‌های فشرده‌تر و یکپارچه‌تر هموار می‌سازد. در حالی که مفاهیم Bulk RRAM کاملاً جدید نیستند، گروه UCSD با این فناوری به پیشرفت‌های قابل توجهی در کوچک‌سازی و ساخت مدارهای سه‌بعدی دست یافته است.

محققان با موفقیت دستگاه‌های RRAM خود را تا مقیاس نانومتر کوچک کردند، به طوری که سلول‌های منفرد تنها 40 نانومتر قطر دارند. مهم‌تر از همه، آن‌ها توانایی انباشت این سلول‌های Bulk RRAM را تا هشت لایه چشمگیر نشان دادند. این معماری سه‌بعدی انباشته با چگالی بالا یک پیشرفت بزرگ در فناوری حافظه است.

یکی از مزایای کلیدی این طراحی جدید، قابلیت ذخیره‌سازی داده چند سطحی (multi-level data storage) آن است. هر سلول در پشته هشت لایه می‌تواند 64 مقدار مقاومت متمایز (معادل 6 بیت داده) را با استفاده از یک پالس ولتاژ واحد نشان دهد. دستیابی به این سطح از دقت و چگالی با RRAM سنتی مبتنی بر فیلامنت، که نویز ذاتی آن چنین کنترل دقیقی را غیرقابل اعتماد می‌کند، فوق‌العاده دشوار است. توانایی ذخیره اطلاعات بیشتر در هر سلول و انجام محاسبات به صورت محلی برای محاسبات پیچیده‌ای که هوش مصنوعی به آن‌ها نیاز دارد، حیاتی است.

در کنفرانس بین‌المللی دستگاه‌های الکترونیکی IEEE (IEDM) در ماه دسامبر، این تیم یافته‌هایی را ارائه کرد که یک شبکه عصبی در حال یادگیری مداوم را روی ساختار جدید RRAM خود نشان می‌دهد. این نمایش محاسبات درون حافظه برای یادگیری مداوم، لحظه مهمی را رقم می‌زند و مسیری را به سوی سیستم‌های هوش مصنوعی قدرتمندتر، کم‌مصرف‌تر و مقیاس‌پذیرتر پیشنهاد می‌دهد. کاربردهای بالقوه گسترده هستند، از رباتیک پیشرفته و وسایل نقلیه خودران گرفته تا تجزیه و تحلیل داده‌های پیچیده و پردازش هوش مصنوعی در زمان واقعی.

این پیشرفت در فناوری Bulk RRAM راه‌حلی ملموس برای مشکل "دیوار حافظه" ارائه می‌دهد. با فعال کردن محاسبات درون حافظه، وعده کاهش چشمگیر مصرف انرژی، افزایش سرعت پردازش داده‌ها و تسهیل توسعه مدل‌های هوش مصنوعی پیچیده‌تر و تواناتر را می‌دهد. با پیشرفت تحقیقات، این دستگاه‌های Bulk RRAM انباشته سه‌بعدی آماده‌اند تا نقش حیاتی در تعریف آینده محاسبات و هوش مصنوعی ایفا کنند.

خبرگزاری اخباری