Helst, nästa generations AI-teknik bör förstå alla våra önskemål och kommandon, extrahera dem från en enorm bakgrund av irrelevant information, för att snabbt kunna ge relevanta svar och lösningar på våra dagliga behov. Att göra dessa "smarta" AI -tekniker genomgripande - i våra smartphones, våra hem, och våra bilar-kommer att kräva energieffektiv AI-hårdvara, som vi på IBM Research planerar att bygga kring nya och mycket kapabla analoga minnesenheter.

I en ny tidning publicerad i Journal of Applied Physics , vårt IBM Research AI-team upprättade en detaljerad uppsättning riktlinjer som nya nanoskalade analoga minnesenheter måste uppfylla för att möjliggöra sådana energieffektiva AI-hårdvaruacceleratorer.

Vi hade tidigare visat, i en Natur papper publicerat i juni 2018, att träning av ett neuralt nätverk med mycket parallell beräkning inom täta matriser på minnesenheter som fasförändringsminne är snabbare och förbrukar mindre ström än att använda en grafikprocessorenhet (GPU).

Fördelen med vårt tillvägagångssätt kommer från att implementera varje neural nätverksvikt med flera enheter, var och en i en annan roll. Vissa enheter har huvudsakligen till uppgift att memorera långsiktig information. Andra enheter uppdateras mycket snabbt, förändras som träningsbilder (t.ex. bilder på träd, katter, fartyg, etc.) visas, och då och då överföra sitt lärande till de långsiktiga informationsenheterna. Även om vi introducerade detta koncept i vårt Nature -papper med hjälp av befintliga enheter (fasbytesminne och konventionella kondensatorer), vi tyckte att det borde finnas en möjlighet för nya minnesenheter att prestera ännu bättre, om vi bara kunde identifiera kraven för dessa enheter.

I vårt uppföljningspapper just publicerat i Journal of Applied Physics , vi kunde kvantifiera de enhetsegenskaper som dessa "långsiktiga informationer" och "snabbuppdateringar" skulle behöva uppvisa. Eftersom vårt schema delar upp uppgifter över de två kategorierna av enheter, dessa enhetskrav är mycket mindre stränga - och därmed mycket mer uppnåbara - än tidigare. Vårt arbete ger en tydlig väg för materialforskare att utveckla nya enheter för energieffektiva AI-hårdvaruacceleratorer baserade på analogt minne.

Denna berättelse publiceras på nytt med tillstånd av IBM Research. Läs den ursprungliga historien här.