內(nèi)容由半導(dǎo)體行業(yè)觀察(ID:icbank)編譯自IEEE
未來驅(qū)動人工智能的一些最佳電路可能是模擬的,而不是數(shù)字的,世界各地的研究團(tuán)隊(duì)正在越來越多地開發(fā)新設(shè)備來支持這種模擬人工智能。
推動當(dāng)前AI爆炸式增長的深度神經(jīng)網(wǎng)絡(luò)中最基本的計(jì)算是乘法累加(MAC)操作。深度神經(jīng)網(wǎng)絡(luò)由人工神經(jīng)元層組成,在MAC操作中,這些層中每一層的輸出乘以它們與下一層連接的強(qiáng)度或“權(quán)重”的值,然后將這些貢獻(xiàn)相加.
現(xiàn)代計(jì)算機(jī)具有專門用于MAC操作的數(shù)字組件,但理論上模擬電路可以以少幾個數(shù)量級的功耗來執(zhí)行這些計(jì)算。這種策略(稱為模擬人工智能、內(nèi)存計(jì)算或內(nèi)存處理)通常使用非易失性存儲設(shè)備(例如閃存、磁阻RAM(MRAM)、電阻RAM(RRAM)、相位)執(zhí)行這些乘法累加運(yùn)算-更改內(nèi)存(PCM)和更深奧的技術(shù)。
然而,韓國的一個團(tuán)隊(duì)正在探索基于鐠鈣錳氧化物電化學(xué)RAM(ECRAM)設(shè)備的神經(jīng)網(wǎng)絡(luò),該設(shè)備的作用類似于微型電池,以電導(dǎo)變化的形式存儲數(shù)據(jù)。韓國浦項(xiàng)科技大學(xué)的研究主要作者Chuljun Lee指出,神經(jīng)網(wǎng)絡(luò)硬件在訓(xùn)練和應(yīng)用期間通常有不同的需求。例如,low energy barriers有助于神經(jīng)網(wǎng)絡(luò)快速學(xué)習(xí),但high energy barriers有助于它們保留學(xué)到的知識以供在應(yīng)用中使用。
“在訓(xùn)練期間將他們的設(shè)備加熱到接近100攝氏度的溫度會產(chǎn)生有利于訓(xùn)練的特性,”電氣工程師John Paul Strachan說,他是德國Jülich研究中心的Peter Grünberg神經(jīng)形態(tài)計(jì)算節(jié)點(diǎn)研究所的負(fù)責(zé)人。不參與本研究。“當(dāng)它冷卻時,他們獲得了更長的保留時間和更低的運(yùn)行電流的優(yōu)勢。只需調(diào)整一個旋鈕,熱量,他們就可以看到計(jì)算的多個維度的改進(jìn)。”
研究人員在12月14日在舊金山舉行的年度IEEE國際電子設(shè)備會議(IEDM)上詳細(xì)介紹了他們的發(fā)現(xiàn)。
Strachan指出,這項(xiàng)工作面臨的一個關(guān)鍵問題是,在經(jīng)過多次加熱和冷卻循環(huán)后,ECRAM可能會面臨什么樣的惡化。盡管如此,“這是一個非常有創(chuàng)意的想法,他們的工作證明了這種方法可能具有一些潛力。”
另一組研究了鐵電場效應(yīng)晶體管(FEFET)。研究主要作者、圣母大學(xué)的Khandker Akif Aabrar解釋說,F(xiàn)EFET在每個晶體管內(nèi)以電極化的形式存儲數(shù)據(jù)。
FEFET面臨的一個挑戰(zhàn)是,當(dāng)它們縮小時,它們是否仍然可以顯示對AI應(yīng)用程序有價值的模擬行為,或者它們是否會突然切換到只存儲一位信息的二進(jìn)制模式,極化狀態(tài)為一種狀態(tài)或另一種狀態(tài).
“這個團(tuán)隊(duì)工作的優(yōu)勢在于他們對所涉及材料的洞察力,”沒有參與這項(xiàng)研究的Strachan說。“鐵電材料可以被認(rèn)為是由許多小域組成的塊,就像鐵磁體可以被認(rèn)為是上下域一樣。對于他們想要的模擬行為,他們希望所有這些域慢慢地向上或向下對齊響應(yīng)施加的電場,而不是出現(xiàn)它們同時上升或下降的失控過程。因此,他們用多個介電層物理分解了鐵電超晶格結(jié)構(gòu),以減少這種失控過程。”
該系統(tǒng)實(shí)現(xiàn)了94.1%的在線學(xué)習(xí)準(zhǔn)確率,與其他FEFET和RRAM技術(shù)相比非常好,科學(xué)家們在12月14日在IEDM會議上詳細(xì)介紹了這一發(fā)現(xiàn)。Strachan指出,未來的研究可以尋求優(yōu)化屬性,例如當(dāng)前水平。
日本和臺灣科學(xué)家使用c軸排列的結(jié)晶銦鎵鋅氧化物制成的新型微芯片.研究合著者日本半導(dǎo)體能源實(shí)驗(yàn)室公司的Satoru Ohshita指出,他們的氧化物半導(dǎo)體場效應(yīng)晶體管(OSFET)顯示出每單元低于1納安的超低電流操作和每瓦每秒143.9萬億次操作的操作效率12月14日在IEDM會議上詳細(xì)介紹的研究結(jié)果,是迄今為止模擬AI芯片中報(bào)告的最好成績。
“這些是極低電流的設(shè)備,”Strachan說。“由于所需的電流如此之低,您可以將電路塊做得更大——它們獲得512 x 512個存儲單元的陣列,而RRAM的典型數(shù)字更像是100 x 100。這是一個巨大的勝利,因?yàn)楦蟮膲K得到了二次方它們存儲的權(quán)重具有優(yōu)勢。“當(dāng)OSFET與電容器結(jié)合時,他們可以在30小時內(nèi)以超過90%的準(zhǔn)確率保留信息。“這可能足以將這些信息轉(zhuǎn)移到一些波動較小的技術(shù)上——幾十個小時的保留并不是一個交易破壞者,”斯特拉坎說。
總而言之,“研究人員正在探索的這些新技術(shù)都是概念案例的證明,這些案例提出了關(guān)于他們未來可能面臨的挑戰(zhàn)的新問題,”斯特拉坎說。“他們還展示了通往代工廠的道路,他們需要大批量、低成本的商業(yè)產(chǎn)品。”