IBM-forskare utvecklar en ny datorarkitektur, bättre rustad att hantera ökad databelastning från artificiell intelligens. Deras design bygger på koncept från den mänskliga hjärnan och överträffar avsevärt konventionella datorer i jämförande studier. De rapporterar om sina senaste rön i Journal of Applied Physics .

Dagens datorer är byggda på von Neumann-arkitekturen, utvecklades på 1940-talet. Von Neumann datorsystem har en central processor som exekverar logik och aritmetik, en minnesenhet, lagring, och in- och utmatningsenheter. Till skillnad från spisrörskomponenterna i konventionella datorer, författarna föreslår att hjärninspirerade datorer kan ha samexisterande bearbetnings- och minnesenheter.

Abu Sebastian, en författare på tidningen, förklarade att att utföra vissa beräkningsuppgifter i datorns minne skulle öka systemets effektivitet och spara energi.

"Om du ser på människor, vi beräknar med 20 till 30 watt effekt, medan AI idag är baserad på superdatorer som körs på kilowatt eller megawatt effekt, " sa Sebastian. "I hjärnan, synapser är både datorer och lagrar information. I en ny arkitektur, gå bortom von Neumann, minnet måste spela en mer aktiv roll i datoranvändning."

IBM-teamet hämtade tre olika nivåer av inspiration från hjärnan. Den första nivån utnyttjar en minnesenhets tillståndsdynamik för att utföra beräkningsuppgifter i själva minnet, liknande hur hjärnans minne och bearbetning är samlokaliserat. Den andra nivån bygger på hjärnans synaptiska nätverksstrukturer som inspiration för arrayer av fasförändringsminne (PCM) för att påskynda träning för djupa neurala nätverk. Slutligen, den dynamiska och stokastiska naturen hos neuroner och synapser inspirerade teamet att skapa ett kraftfullt beräkningssubstrat för spikning av neurala nätverk.

Fasförändringsminne är en minnesenhet i nanoskala byggd av föreningar av Ge, Te och Sb inklämda mellan elektroderna. Dessa föreningar uppvisar olika elektriska egenskaper beroende på deras atomära arrangemang. Till exempel, i en störd fas, dessa material uppvisar hög resistivitet, medan de i en kristallin fas uppvisar låg resistivitet.

Genom att applicera elektriska pulser, forskarna modulerade förhållandet mellan material i den kristallina och de amorfa fasen så att minnesenheterna för fasförändringar kunde stödja ett kontinuum av elektriskt motstånd eller konduktans. Denna analoga lagring liknar bättre icke-binär, biologiska synapser och gör det möjligt att lagra mer information i en enda enhet i nanoskala.

Sebastian och hans IBM-kollegor har stött på överraskande resultat i sina jämförande studier om effektiviteten hos dessa föreslagna system. "Vi förväntade oss alltid att dessa system skulle vara mycket bättre än konventionella datorsystem i vissa uppgifter, men vi blev förvånade över hur mycket effektivare vissa av dessa metoder var."

Förra året, de körde en oövervakad maskininlärningsalgoritm på en konventionell dator och en prototyp av beräkningsminnesplattform baserad på fasförändringsminnen. "Vi skulle kunna uppnå 200 gånger snabbare prestanda i datasystem för fasförändringsminne i motsats till konventionella datorsystem." sa Sebastian. "Vi har alltid vetat att de skulle vara effektiva, men vi förväntade oss inte att de skulle överträffa så mycket." Teamet fortsätter att bygga prototypchips och system baserade på hjärninspirerade koncept.