Idealmente, as tecnologias de IA de próxima geração devem compreender todas as nossas solicitações e comandos, extraí-los de um vasto histórico de informações irrelevantes, a fim de fornecer rapidamente respostas e soluções relevantes para as nossas necessidades diárias. Tornando essas tecnologias de IA "inteligentes" difundidas - em nossos smartphones, nossas casas, e nossos carros - exigirão hardware de IA com eficiência energética, que nós, da IBM Research, planejamos construir em torno de dispositivos de memória analógica novos e altamente capazes.

Em um artigo recente publicado em Journal of Applied Physics , nossa equipe de IA de pesquisa da IBM estabeleceu um conjunto detalhado de diretrizes que os dispositivos de memória analógica em nanoescala emergentes precisarão satisfazer para habilitar esses aceleradores de hardware de IA com baixo consumo de energia.

Tínhamos mostrado anteriormente, em um Natureza artigo publicado em junho de 2018, que treinar uma rede neural usando computação altamente paralela em matrizes densas de dispositivos de memória, como memória de mudança de fase, é mais rápido e consome menos energia do que usar uma unidade de processamento gráfico (GPU).

A vantagem de nossa abordagem vem da implementação de cada peso de rede neural com vários dispositivos, cada um servindo em uma função diferente. Alguns dispositivos têm a tarefa principal de memorizar informações de longo prazo. Outros dispositivos são atualizados muito rapidamente, mudando como imagens de treinamento (como fotos de árvores, gatos, navios, etc.) são mostrados, e então, ocasionalmente, transferindo seu aprendizado para os dispositivos de informação de longo prazo. Embora tenhamos introduzido esse conceito em nosso artigo da Nature usando dispositivos existentes (memória de mudança de fase e capacitores convencionais), sentimos que deveria haver uma oportunidade para novos dispositivos de memória funcionarem ainda melhor, se pudéssemos apenas identificar os requisitos para esses dispositivos.

Em nosso artigo de acompanhamento, acabado de publicar em Journal of Applied Physics , fomos capazes de quantificar as propriedades do dispositivo que esses dispositivos de "informações de longo prazo" e de "atualização rápida" precisariam exibir. Como nosso esquema divide as tarefas nas duas categorias de dispositivos, esses requisitos de dispositivo são muito menos rigorosos - e, portanto, muito mais alcançáveis ​​- do que antes. Nosso trabalho fornece um caminho claro para os cientistas de materiais desenvolverem novos dispositivos para aceleradores de hardware de IA com baixo consumo de energia baseados em memória analógica.

Esta história foi republicada por cortesia da IBM Research. Leia a história original aqui.