O primeiro computador memristor programável - não apenas um array de memristor operado por meio de um computador externo - foi desenvolvido na Universidade de Michigan.

Isso pode levar ao processamento de inteligência artificial diretamente em pequenas, dispositivos com restrição de energia, como smartphones e sensores. Um processador de IA de smartphone significaria que os comandos de voz não teriam mais que ser enviados para a nuvem para interpretação, acelerando o tempo de resposta.

"Todo mundo quer colocar um processador de IA em smartphones, mas você não quer que a bateria do seu celular se esgote muito rapidamente, "disse Wei Lu, Professor U-M de engenharia elétrica e da computação e autor sênior do estudo em Nature Electronics .

Em dispositivos médicos, a capacidade de executar algoritmos de IA sem a nuvem permitiria melhor segurança e privacidade.

Por que os memristores são bons para o aprendizado de máquina

A chave para tornar isso possível poderia ser um componente de computador avançado chamado memristor. Este elemento de circuito, um resistor elétrico com uma memória, possui uma resistência variável que pode servir como forma de armazenamento de informações. Como os memristors armazenam e processam informações no mesmo local, eles podem contornar o maior gargalo para a velocidade e potência da computação:a conexão entre a memória e o processador.

Isso é especialmente importante para algoritmos de aprendizado de máquina que lidam com muitos dados para fazer coisas como identificar objetos em fotos e vídeos - ou prever quais pacientes hospitalares têm maior risco de infecção. Já, os programadores preferem executar esses algoritmos em unidades de processamento gráfico em vez de no processador principal de um computador, unidade de processamento central.

"GPUs e circuitos digitais muito customizados e otimizados são considerados cerca de 10 a 100 vezes melhores do que CPUs em termos de potência e rendimento." Disse o Lu. "Os processadores Memristor AI poderiam ser 10-100 vezes melhores."

GPUs têm melhor desempenho em tarefas de aprendizado de máquina porque têm milhares de pequenos núcleos para executar cálculos de uma só vez, em oposição à sequência de cálculos aguardando sua vez em um dos poucos núcleos poderosos em uma CPU.

Um array de memristor leva isso ainda mais longe. Cada memristor é capaz de fazer seu próprio cálculo, permitindo que milhares de operações dentro de um núcleo sejam executadas de uma vez. Neste computador em escala experimental, havia mais de 5, 800 memristores. Um projeto comercial pode incluir milhões deles.

Matrizes de Memristor são especialmente adequadas para problemas de aprendizado de máquina. A razão para isso é a forma como os algoritmos de aprendizado de máquina transformam dados em vetores - essencialmente, listas de pontos de dados. Ao prever o risco de infecção de um paciente em um hospital, por exemplo, esse vetor pode listar representações numéricas dos fatores de risco de um paciente.

Então, os algoritmos de aprendizado de máquina comparam esses vetores de "entrada" com os vetores de "recursos" armazenados na memória. Esses vetores de características representam certas características dos dados (como a presença de uma doença subjacente). Se houver correspondência, o sistema sabe que os dados de entrada têm essa característica. Os vetores são armazenados em matrizes, que são como as planilhas de matemática, e essas matrizes podem ser mapeadas diretamente nas matrizes de memristor.

O que mais, à medida que os dados são alimentados pela matriz, a maior parte do processamento matemático ocorre através das resistências naturais nos memristores, eliminando a necessidade de mover vetores de recursos para dentro e para fora da memória para realizar os cálculos. Isso torna as matrizes altamente eficientes em cálculos de matriz complicados. Estudos anteriores demonstraram o potencial de matrizes de memristor para acelerar o aprendizado de máquina, mas eles precisavam de elementos de computação externos para funcionar.

Construindo um computador memristor programável

Para construir o primeiro computador memristor programável, A equipe de Lu trabalhou com o professor associado Zhengya Zhang e o professor Michael Flynn, de engenharia elétrica e de computação na U-M, para projetar um chip que pudesse integrar o array de memristor com todos os outros elementos necessários para programá-lo e executá-lo. Esses componentes incluíam um processador digital convencional e canais de comunicação, bem como conversores digital / analógico para servir como intérpretes entre a matriz de memristor analógica e o resto do computador.

A equipe de Lu então integrou a matriz de memristor diretamente no chip na Lurie Nanofabrication Facility da U-M. Eles também desenvolveram software para mapear algoritmos de aprendizado de máquina na estrutura semelhante a uma matriz do array de memristor.

A equipe demonstrou o dispositivo com três algoritmos de aprendizado de máquina essenciais:

• Perceptron, que é usado para classificar informações. Eles foram capazes de identificar letras gregas imperfeitas com 100 por cento de precisão
• Codificação esparsa, que compacta e categoriza os dados, particularmente imagens. O computador conseguiu encontrar a maneira mais eficiente de reconstruir imagens em um conjunto e identificou padrões com 100 por cento de precisão
• Rede neural de duas camadas, projetado para encontrar padrões em dados complexos. Essa rede de duas camadas encontrou semelhanças e fatores de diferenciação nos dados de rastreamento do câncer de mama e, em seguida, classificou cada caso como maligno ou benigno com 94,6 por cento de precisão.

Existem desafios na ampliação para uso comercial - os memristores ainda não podem ser tão idênticos quanto precisam ser e as informações armazenadas no array não são totalmente confiáveis ​​porque ele funciona no continuum analógico ao invés do digital ou / ou. Essas são as direções futuras do grupo de Lu.

Lu planeja comercializar essa tecnologia. O estudo é intitulado, "Um sistema memristor-CMOS reprogramável totalmente integrado para operações de multiplicação-acumulação eficientes."