Nowoczesne urządzenie z University of Minnesota
Badacze z University of Minnesota Twin Cities zaprezentowali nowoczesne urządzenie, które może znacząco obniżyć zużycie energii w aplikacjach sztucznej inteligencji (AI) nawet o 1000 razy. Wyniki ich badań opublikowano w czasopiśmie „npj Unconventional Computing” w artykule zatytułowanym „Experimental demonstration of magnetic tunnel junction-based computational random-access memory”. Naukowcy posiadają liczne patenty na technologię zastosowaną w urządzeniu.
Zapotrzebowanie na energooszczędne procesy AI
Rosnące zapotrzebowanie na aplikacje AI skłania badaczy do poszukiwania bardziej energooszczędnych procesów przy zachowaniu wysokiej wydajności i niskich kosztów. Tradycyjnie procesy AI zużywają dużą ilość energii, przenosząc dane między logiką a pamięcią. Nowy model opracowany przez zespół z University of Minnesota, zwany computational random-access memory (CRAM), eliminuje potrzebę przenoszenia danych poza pamięć.
Efektywność energetyczna CRAM
CRAM umożliwia przetwarzanie danych bezpośrednio w obrębie pamięci, co znacząco zmniejsza zużycie energii. Przewiduje się, że zastosowanie akceleratora opartego na CRAM przyniesie poprawę efektywności energetycznej nawet o 1000 razy. W niektórych przypadkach oszczędności energii mogą wynosić od 1700 do 2500 razy w porównaniu z tradycyjnymi metodami.
Dekady pracy nad nowym rozwiązaniem
Prace nad tym rozwiązaniem trwały ponad dwie dekady. Profesor Jian-Ping Wang z University of Minnesota, główny autor badań, wspomina, że początkowe koncepcje wykorzystania komórek pamięci do bezpośredniego przetwarzania danych były uznawane za szalone. Dzięki współpracy interdyscyplinarnego zespołu, obejmującego fizyków, inżynierów materiałowych, informatyków oraz specjalistów od modelowania i tworzenia sprzętu, udało się osiągnąć pozytywne wyniki.
Podstawy technologii CRAM
CRAM opiera się na przełomowych badaniach dotyczących magnetycznych złącz tunelowych (MTJ), które były stosowane m.in. w pamięciach MRAM. Nowa architektura CRAM eliminuje wąskie gardło tradycyjnej architektury von Neumanna, umożliwiając przetwarzanie danych bezpośrednio w pamięci. CRAM jest elastyczny i może być dostosowany do różnych algorytmów AI, co czyni go niezwykle energooszczędnym rozwiązaniem.
Spintroniczne urządzenia MTJ
MTJ wykorzystuje spin elektronów zamiast ładunku elektrycznego do przechowywania danych, co jest bardziej efektywne energetycznie niż tradycyjne układy tranzystorowe. Obecnie zespół planuje współpracę z liderami przemysłu półprzewodników, aby przeprowadzić demonstracje na dużą skalę i wdrożyć tę technologię w praktyce.
