"In-memory computing" eller "beräkningsminne" är ett framväxande koncept som använder de fysiska egenskaperna hos minnesenheter för både lagring och bearbetning av information. Detta strider mot nuvarande von Neumann system och enheter, som vanliga stationära datorer, bärbara datorer och till och med mobiltelefoner, som skickar data fram och tillbaka mellan minnet och datorenheten, vilket gör dem långsammare och mindre energieffektiva.

I dag, IBM Research tillkännager att dess forskare har visat att en oövervakad maskininlärningsalgoritm, körs på en miljon Phas Change Memory (PCM) enheter, framgångsrikt hittat tidsmässiga korrelationer i okända dataströmmar. Jämfört med toppmoderna klassiska datorer, denna prototypteknologi förväntas ge 200x förbättringar i både hastighet och energieffektivitet, vilket gör den mycket lämplig för att möjliggöra ultratäta, låg effekt, och massivt parallella datorsystem för applikationer inom AI.

Forskarna använde PCM-enheter gjorda av en germanium antimon telluridlegering, som är staplade och inklämda mellan två elektroder. När forskarna applicerar en liten elektrisk ström på materialet, de värmer det, som ändrar sitt tillstånd från amorft (med ett oordnat atomarrangemang) till kristallint (med en ordnad atomkonfiguration). IBM-forskarna har använt kristalliseringsdynamiken för att utföra beräkningar på plats.

"Detta är ett viktigt steg framåt i vår forskning om AI:s fysik, som utforskar nya hårdvarumaterial, enheter och arkitekturer, " säger Dr Evangelos Eleftheriou, en IBM Fellow och medförfattare till tidningen. "När CMOS-skalningslagarna går sönder på grund av tekniska begränsningar, ett radikalt avsteg från processor-minne-dikotomi behövs för att kringgå begränsningarna hos dagens datorer. Med tanke på enkelheten, hög hastighet och låg energi för vår in-memory computing-metod, det är anmärkningsvärt att våra resultat liknar vårt klassiska klassiska tillvägagångssätt som körs på en von Neumann -dator. "

Detaljerna förklaras i deras papper som visas idag i tidskriften peer-review Naturkommunikation . För att demonstrera tekniken, författarna valde två tidsbaserade exempel och jämförde deras resultat med traditionella maskininlärningsmetoder som k-means clustering:

• Simulerade data:en miljon binära (0 eller 1) slumpmässiga processer organiserade på ett 2D-rutnät baserat på en 1000 x 1000 pixlar, svartvitt, profilteckning av den berömda brittiske matematikern Alan Turing. IBM-forskarna fick sedan pixlarna att blinka på och av med samma hastighet, men de svarta pixlarna slogs på och av på ett svagt korrelerat sätt. Det betyder att när en svart pixel blinkar, det finns en något högre sannolikhet att en annan svart pixel också kommer att blinka. De slumpmässiga processerna tilldelades en miljon PCM-enheter, och en enkel inlärningsalgoritm implementerades. Med varje blinkning, PCM -matrisen lärt sig, och PCM -enheterna som motsvarar de korrelerade processerna gick till ett tillstånd med hög konduktans. På det här sättet, konduktanskartan för PCM-enheterna återskapar ritningen av Alan Turing. (se bilden ovan)
• Real-World Data:faktiska regndata, samlas in under en period av sex månader från 270 väderstationer över hela USA med en timmes intervall. Om det regnar inom en timme, det var märkt "1" och om det inte var "0". Klassisk k-betyder klustring och in-memory computing-metoden kom överens om klassificeringen av 245 av de 270 väderstationerna. In-memory computing klassificerade 12 stationer som okorrelerade som hade markerats korrelerade med k-medel-klustringsmetoden. Liknande, in-memory computing tillvägagångssättet klassificerade 13 stationer som korrelerade som hade markerats okorrelerade genom k-medelklustring.

"Minnet har hittills setts som en plats där vi bara lagrar information. Men i detta arbete, vi visar slutgiltigt hur vi kan utnyttja fysiken hos dessa minnesenheter för att också utföra en ganska hög beräkningsprimitiv. Resultatet av beräkningen lagras också i minnesenheterna, och i denna mening är konceptet löst inspirerat av hur hjärnan beräknar." sa Dr. Abu Sebastian, forskare inom utforskande minne och kognitiv teknologi, IBM Research och huvudförfattare till tidningen.