Ремонт полов
Воспроизведение возможностей человеческого мозга, задача, которая до недавнего времени казалась невыполнимой, может теоретически потребовать тысячи мощных графических процессоров (GPU), таких как NVIDIA H100. При потребляемой мощности в 700 ватт на каждый чип, общее энергопотребление оценивается в мегаватты. Для сравнения, человеческий мозг функционирует, потребляя всего около 20 ватт. Вдохновленные этим удивительным органом, ученые разработали чипы, способные сократить традиционное энергопотребление на 70%.
Содержание
Решение для энергоэффективности ИИ
Исследователи из Кембриджского университета создали новое наноустройство, вдохновленное работой мозга. По утверждению разработчиков, оно способно значительно сократить колоссальные энергетические потребности аппаратного обеспечения для искусственного интеллекта. Команда разработала сверхэкономичный мемристор – устройство, которое может одновременно хранить и обрабатывать информацию в одном месте, подобно синапсам в человеческом мозге.
В стандартных вычислительных архитектурах блоки памяти и обработки данных физически разделены. Это требует постоянного обмена информацией между ними для выполнения каждой задачи. Этот, казалось бы, простой процесс, потребляет огромное количество электроэнергии и является одной из ключевых причин растущего энергопотребления систем ИИ.
В поиске решений ученые все чаще обращаются к нейроморфным вычислениям. Вместо имитации традиционных компьютерных архитектур, нейроморфные системы стремятся воспроизвести принцип работы биологического мозга. В человеческом мозге нейроны и синапсы одновременно хранят и обрабатывают информацию через плотные сети электрических и химических сигналов. Такая архитектура отличается исключительной энергоэффективностью.
В основе многих концепций нейроморфных вычислений лежит мемристор. В отличие от обычных транзисторов, мемристоры способны сохранять состояние памяти даже при отсутствии питания. Они также имитируют искусственные синапсы, чья прочность связей может изменяться со временем.
Инновационный подход к мемристорам
Однако существующие мемристоры имеют серьезные ограничения. Большинство мемристоров на основе оксидов работают за счет формирования и разрыва крошечных проводящих нитей внутри материала. Эти микроскопические проводящие пути образуются случайным образом, что делает устройства непредсказуемыми при каждом цикле переключения. Кроме того, они обычно требуют относительно высоких напряжений и потребляют больше энергии, чем хотелось бы исследователям для создания по-настоящему энергоэффективного аппаратного обеспечения ИИ.
В своем исследовании, опубликованном в журнале Science Advances, команда из Кембриджа применила совершенно иной подход.
Вместо использования проводящих нитей, исследователи разработали материал на основе оксида гафния, который меняет свои состояния за счет контролируемых изменений на внутреннем электронном интерфейсе. Добавив стронций и титан в оксид гафния и изготовив материал с использованием двухстадийного процесса роста, команда создала внутри устройства, по сути, микроскопические p-n-переходы – те же электронные соединения, которые используются в традиционной полупроводниковой электронике.
Вместо формирования и разрушения проводящих путей, устройство изменяет свое электрическое сопротивление путем изменения высоты энергетического барьера на этом внутреннем переходе. Это обеспечивает гораздо более плавное и контролируемое поведение переключения. По словам исследователей, такой подход решает одну из главных проблем мемристорной технологии – проблему изменчивости.
«Устройства с проводящими нитями демонстрируют случайное поведение, — объясняет ведущий автор исследования доктор Бабак Бахит. — Однако поскольку наши устройства переключаются на уровне интерфейса, они показывают выдающуюся однородность от цикла к циклу и от устройства к устройству».
Экономия энергии оказалась существенной. Исследователи сообщают о токах переключения, достигающих 10⁻¹¹ ампер. Для сравнения, это примерно в миллион раз ниже, чем у некоторых традиционных оксидных мемристоров. Согласно публикации, энергия переключения находится в диапазоне от фемтоджоулей до пикоджоулей, что сопоставимо или даже ниже показателей некоторых из наиболее энергоэффективных нейроморфных аппаратных решений, представленных на сегодняшний день. Ученые заявляют, что такой подход, вдохновленный работой мозга, может снизить энергопотребление в вычислительных системах более чем на 70%.
Аналоговое поведение и обучение
Еще одним прорывом является аналоговое поведение устройства.
Традиционные цифровые системы преимущественно работают в бинарных состояниях: включено или выключено. Биологические синапсы функционируют иначе – их прочность связей меняется постепенно. Для имитации этого процесса нейроморфное оборудование требует компонентов, способных поддерживать множество стабильных состояний проводимости, а не только два.
Новые мемристоры продемонстрировали сотни различных, стабильных уровней проводимости без насыщения, что, по мнению исследователей, критически важно для аналоговых вычислений, подобных мозговым. Устройства поддерживали плавную модуляцию проводимости на протяжении тысяч электрических импульсов с заметной стабильностью от цикла к циклу.
Команда также продемонстрировала несколько форм поведения, связанных с биологическим обучением.
Одним из них является спайк-зависимая синаптическая пластичность (STDP) — механизм обучения, обнаруживаемый в биологических нейронных сетях, при котором сила связей между нейронами изменяется в зависимости от относительного времени их сигналов. Искусственные синапсы успешно воспроизвели это зависящее от времени обучение в миллисекундных временных окнах.
Проще говоря, само аппаратное обеспечение начинает функционировать не как статическая память, а скорее как адаптивная мозговая ткань, способная к обучению.
Перспективы и вызовы
Смотрите также:
Технологическое сообщество MacRumors проводит семнадцатую ежегодную акцию по сбору донорской крови http://domkrat.org/tehnologicheskoe-soobshhestvo-macrumors-provodit-semnadtsatuyu-ezhegodnuyu-aktsiyu-po-sboru-donorskoy-krovi/.
Интересное по теме: Motorola Razr Fold против Samsung Galaxy Z Fold 7: Сравнение складных флагманов
Советы в статье "Трансформация разработки программного обеспечения под влиянием искусственного интеллекта" здесь.
Несмотря на многообещающие результаты, перед коммерциализацией этой технологии стоят серьезные препятствия. Одна из главных проблем – совместимость производства. Текущий процесс изготовления требует температур около 700 °C, что значительно превышает стандартные допуски полупроводниковой промышленности. Команда в настоящее время работает над снижением этих температур, чтобы в конечном итоге устройства могли быть интегрированы в традиционные процессы изготовления чипов.
На данный момент технология находится на стадии исследований. Однако, если производственные проблемы будут решены, эта разработка может стать важным шагом к созданию сверхэффективного аппаратного обеспечения для искусственного интеллекта, которое будет потреблять лишь малую долю энергии по сравнению с современными системами. Источник: Кембриджский университет
