En forskargrupp från Politecnico di Milano har utvecklat en ny datakrets som kan utföra avancerade operationer, typiskt för neurala nätverk för artificiell intelligens, i en enda operation.

Kretsprestandan när det gäller hastighet och energiförbrukning banar väg för en ny generation av artificiell intelligensberäkningsacceleratorer som är mer energieffektiva och mer hållbara på global nivå. Studien har nyligen publicerats i det prestigefyllda Vetenskapliga framsteg .

Att känna igen ett ansikte eller ett objekt, eller korrekt tolkning av ett ord eller en musiklåt är operationer som idag är möjliga på de vanligaste elektroniska prylarna, som smartphones och surfplattor, tack vare artificiell intelligens. För att detta ska hända, komplicerade neurala nätverk måste utbildas på lämpligt sätt, som är så energiskt krävande att, enligt vissa studier, koldioxidavtrycket som härrör från utbildningen av ett komplext neuralt nätverk kan motsvara utsläpp av 5 bilar under hela deras livscykel.

För att minska träningens tid och energiförbrukning, man bör utveckla kretsar som är radikalt annorlunda än det konventionella tillvägagångssättet och som kan efterlikna strukturen hos de neurala nätverken och egenskaperna hos de biologiska synapserna. Ett typiskt exempel är begreppet in-memory computing, där data behandlas direkt i minnet, precis som i den mänskliga hjärnan.

Baserat på denna analogi, forskargruppen vid Politecnico di Milano har utvecklat en ny krets som kan utföra en matematisk funktion som kallas regression i bara en operation. För detta ändamål använder de ett resistivt minne, även känd som memristor, en enhet som kan memorera vilken datum som helst (till exempel värdet av en aktie vid en viss tidpunkt) i värdet av dess motstånd. Genom att ordna dessa minneselement i en matris med storleken på några mikrometer (några miljondelar av en meter), gruppen på Politecnico di Milano har kunnat utföra en linjär regression på en grupp data.

Denna operation kan bestämma den raka linje som bäst beskriver en sekvens av data, tillåter, till exempel, att förutsäga trenden på aktiemarknaden utifrån en enkel linjär modell. Logistisk regression, som möjliggör klassificering av data i en databas, har också visats. Denna funktion är avgörande för de så kallade rekommendationssystemen, som är ett avgörande marknadsföringsverktyg för inköp online.