Рост использования искусственного интеллекта и энергетическая проблема
Сегодня услуги на базе ИИ быстро проникают в нашу повседневную жизнь, и новости об ИИ становятся все более распространенными. Хотя нынешний ИИ в основном основан на облачных технологиях, в будущем ожидается, что он превратится в обширный рынок, более близкий к периферии, более похожий на человеческое взаимодействие. Однако развитие новейших технологий искусственного интеллекта требует значительных вычислительных ресурсов, что приводит к взрывному росту глобального потребления энергии, создавая новую социальную проблему.
Поэтому для достижения широкого внедрения ИИ в обществе необходимо значительное снижение энергопотребления. До сих пор рост технологий поддерживался миниатюризацией полупроводников и развитием цифровых архитектур. Однако по мере того, как мы приближаемся к пределам закона Мура*2 и к осознанию узкого места фон Неймана*3, этот подход достигает своих пределов, и возникает сильная потребность в новых решениях.
*2 Закон Мура:
Эмпирическое правило гласит, что плотность интеграции полупроводниковых схем удваивается каждые 18 (или 24) месяцев. Эволюция технологии миниатюризации способствовала развитию современной полупроводниковой промышленности.
*3 Узкое место фон Неймана:
Одна из причин, ограничивающих вычислительную мощность компьютеров. Это относится к пределу вычислительной мощности, возникающему из-за ограничения передачи данных между ЦП и памятью.
Нейроморфные устройства, имитирующие функции человеческого мозга
Нейроморфные устройства, имитирующие функциональность человеческого мозга, становятся инновационными технологиями для решения проблем энергопотребления ИИ. Эти устройства черпают вдохновение из структуры мозга и работают примерно на 20 Вт — лишь часть мощности, необходимой для современных вычислений с использованием цифрового искусственного интеллекта, — но способны принимать сложные решения. Сложная сеть синапсов и нейронов человеческого мозга электрически воспроизводится в нейроморфных устройствах, при этом мемристоры играют ключевую роль. Эти компоненты, проводимость и сопротивление которых изменяются в зависимости от проходящего через них заряда, имитируют функцию синапсов. Подключая несколько мемристоров для формирования массивной сети, нейроморфные устройства могут приближать обработку сигналов к мозгу, значительно снижая энергопотребление.
Проблемы с обычными мемристорными устройствами
Исторически такие мемристорные элементы, как ReRAM*4 и PCM*5, исследовались на предмет их потенциала в нейроморфных устройствах. Однако их сложное ответное поведение и тенденция к изменению значений сопротивления с течением времени создают проблемы. Эти характеристики делают их непригодными для аналогового использования в нейроморфных устройствах, поэтому для компенсации требуются схемные и алгоритмические коррекции. Это привело к сложностям в проектировании схем и ограничениям в обучении в реальном времени, что подчеркнуло необходимость разработки более совместимых с синапсами элементов.
*4 ReRAM: резистивная оперативная память.
*5 PCM: память фазового изменения
Особенности и преимущества спин-мемристоров TDK
Спиновый мемристор TDK отличается использованием эффектов магнитного сопротивления — принципа, основанного на опыте компании с головками жестких дисков и магнитными датчиками. Эта технология сочетает в себе преимущества сохранения данных и управляемости, облегчая реализацию маломощных нейроморфных устройств с более простыми схемами. Кроме того, превосходная управляемость позволяет обучать ИИ на кристалле, не полагаясь на облако — задача, которая раньше была сложной задачей при использовании других элементов. TDK продвигает разработку чипов нейроморфных устройств с использованием спиновых мемристоров, стремясь продемонстрировать технологию на уровне чипа.
Трехконтактный элемент с эффектом магнитного сопротивления. Он состоит из свободного слоя, барьерного слоя и закрепленного слоя. Значение сопротивления меняется в зависимости от положения магнитной стенки. Запись осуществляется горизонтальным током, а чтение — вертикальным током».
Будущее устройств искусственного интеллекта со сверхнизким энергопотреблением
Развертывание искусственного интеллекта для расширенной обработки информации неизбежно требует значительных вычислительных ресурсов и энергии. Спиновый мемристор TDK представляет собой значительный шаг на пути к снижению энергопотребления ИИ и решению социальной проблемы, связанной с увеличением потребностей в энергии, сопровождающим развитие ИИ. Используя стабильные характеристики спиновых мемристоров, можно реализовать на кристалле функции обучения и вывода. Это смещает парадигму от людей, адаптирующихся к предварительно обученным моделям ИИ, к ИИ, который адаптируется и развивается в соответствии с окружающей средой. TDK планирует интегрировать эту технологию со своим опытом в области датчиков, открывая путь к интеллектуальным датчикам, которые постоянно предоставляют оптимальную информацию, адаптированную к людям и их окружению, повышая качество жизни за счет более тесного взаимодействия с искусственным интеллектом.
2024-03-29 08:41:22
1711702829
#Решение #энергетических #проблем #искусственного #интеллекта #помощью #нейроморфной #технологии