رقاقة Neuromorphic جديدة عالية الكفاءة للذكاء الاصطناعي على الحافة
شريحة NeuRRAM هي أول شريحة حوسبة في الذاكرة تعرض مجموعة واسعة من تطبيقات الذكاء الاصطناعي مع استخدام نسبة صغيرة فقط من الطاقة التي تستهلكها الأنظمة الأساسية الأخرى مع الحفاظ على دقة مكافئة.
NeuRRAM ، شريحة جديدة تدير العمليات الحسابية مباشرة في الذاكرة ويمكنها تشغيل مجموعة متنوعة من تطبيقات الذكاء الاصطناعي، تم تصميمها وبناؤها من قبل فريق دولي من الباحثين.
ما يميزها هو أنها تفعل كل ذلك بجزء بسيط من الطاقة التي تستهلكها منصات الحوسبة لحوسبة الذكاء الاصطناعي للأغراض العامة.
تعمل شريحة NeuRRAM العصبية على تقريب الذكاء الاصطناعي من العمل على مجموعة واسعة من الأجهزة المتطورة غير المتصلة بالسحابة.
هذا يعني أنه يمكنهم أداء مهام معرفية معقدة في أي مكان وزمان دون الاعتماد على اتصال شبكة بخادم مركزي. تكثر تطبيقات هذا الجهاز في كل ركن من أركان العالم وفي كل جانب من جوانب حياتنا.
وهي تتراوح من الساعات الذكية إلى سماعات الرأس VR، وسماعات الأذن الذكية، وأجهزة الاستشعار الذكية في المصانع، والمركبات الجوالة لاستكشاف الفضاء.
لا تتميز شريحة NeuRAM بكفاءة الطاقة بمقدار الضعف مثل رقائق “الحوسبة في الذاكرة” الحديثة، وهي فئة مبتكرة من الرقائق الهجينة التي تدير عمليات حسابية في الذاكرة، بل إنها تقدم أيضًا نتائج دقيقة تمامًا مثل رقائق رقمية تقليدية.
تعد منصات الذكاء الاصطناعي التقليدية أكثر ضخامة وعادة ما تكون مقيدة باستخدام خوادم البيانات الكبيرة العاملة في السحابة.
لقطة مقرّبة لشريحة NeuRAM. الائتمان: David Baillot / University of California San Diego
بالإضافة إلى ذلك، تعد شريحة NeuRRAM متعددة الاستخدامات وتدعم العديد من نماذج وبنى الشبكات العصبية المختلفة.
ونتيجة للذلك،يمكن استخدام الشريحة للعديد من التطبيقات المختلفة، بما في ذلك التعرف على الصور وإعادة بنائها وكذلك التعرف على الصوت.
قال Weier Wan ، مؤلف الورقة البحثية الأول وحاصل على دكتوراه حديثًا: “الحكمة التقليدية هي أن الكفاءة العالية للحوسبة في الذاكرة تكون على حساب التنوع، لكن شريحة NeuRRAM الخاصة بنا تحصل على الكفاءة مع عدم التضحية بالتنوع”.
خريج جامعة ستانفورد وعمل على الرقاقة أثناء وجوده في جامعة كاليفورنيا في سان دييغو، حيث شارك في الاستشارة غيرت كاوينبيرغز في قسم الهندسة الحيوية.
قدم فريق البحث، بقيادة مهندسي الأحياء في جامعة كاليفورنيا سان دييغو (UCSD)، نتائجهم في عدد 17 أغسطس من مجلة Nature .
تستخدم شريحة NeuRRAM بنية مبتكرة تم تحسينها بشكل مشترك عبر المكدس. الائتمان: David Baillot / University of California San Diego
حاليًا، تعد حوسبة الذكاء الاصطناعي متعطشة للطاقة ومكلفة من الناحية الحسابية.
تتضمن معظم تطبيقات الذكاء الاصطناعي على الأجهزة المتطورة نقل البيانات من الأجهزة إلى السحابة، حيث يقوم الذكاء الاصطناعي بمعالجتها وتحليلها.
ثم يتم نقل النتائج مرة أخرى إلى الجهاز. يعد هذا ضروريًا لأن معظم الأجهزة المتطورة تعمل بالبطارية ونتيجة لذلك لديها قدر محدود من الطاقة التي يمكن تخصيصها للحوسبة.
من خلال تقليل استهلاك الطاقة اللازم لاستدلال الذكاء الاصطناعي على الحافة، يمكن أن تؤدي شريحة NeuRRAM هذه إلى أجهزة متطورة أكثر قوة وذكاء ويمكن الوصول إليها وتصنيع أكثر ذكاءً.
قد يؤدي أيضًا إلى تحسين خصوصية البيانات، لأن نقل البيانات من الأجهزة إلى السحابة يأتي مع مخاطر أمنية متزايدة.
بالنسبة لشرائح الذكاء الاصطناعي، يعد نقل البيانات من الذاكرة إلى وحدات الحوسبة إحدى العقبات الرئيسية.
قال وان: “إنه يعادل القيام برحلة تستغرق ثماني ساعات ليوم عمل مدته ساعتان”.
لحل مشكلة نقل البيانات هذه، استخدم الباحثون ما يُعرف بذاكرة الوصول العشوائي المقاومة. يسمح هذا النوع من الذاكرة غير المتطايرة بالحساب مباشرة داخل الذاكرة بدلاً من وحدات الحوسبة المنفصلة.
RRAM وتقنيات الذاكرة الناشئة الأخرى المستخدمة كمصفوفات المشابك للحوسبة العصبية كانت رائدة في مختبر فيليب وونغ ، مستشار وان في ستانفورد وأحد المساهمين الرئيسيين في هذا العمل.
على الرغم من أن الحساب باستخدام شرائح RRAM ليس بالضرورة جديدًا، إلا أنه يؤدي عمومًا إلى انخفاض في دقة الحسابات التي يتم إجراؤها على الشريحة ونقص المرونة في بنية الشريحة.
قال Cauwenberghs: “لقد كانت الحوسبة في الذاكرة ممارسة شائعة في الهندسة العصبية منذ أكثر من 30 عامًا”.
“الجديد في NeuRRAM هو أن الكفاءة القصوى تتماشى الآن مع مرونة كبيرة لتطبيقات الذكاء الاصطناعي المتنوعة دون أي خسارة تقريبًا في الدقة مقارنة بمنصات الحوسبة الرقمية القياسية للأغراض العامة.”
كانت المنهجية المصممة بعناية أساسية للعمل مع مستويات متعددة من “التحسين المشترك” عبر طبقات تجريد الأجهزة والبرامج، من تصميم الشريحة إلى تكوينها لتشغيل مهام الذكاء الاصطناعي المختلفة.
بالإضافة إلى ذلك، حرص الفريق على مراعاة القيود المختلفة التي تمتد من فيزياء أجهزة الذاكرة إلى الدوائر وبنية الشبكة.
قال سيدهارث جوشي، الأستاذ المساعد لعلوم وهندسة الكمبيوتر في جامعة ننوتردام،الذي بدأ العمل في المشروع باسم شهادة دكتوراه. طالب وباحث ما بعد الدكتوراه في مختبر Cauwenberghs في جامعة كاليفورنيا.
أداء الرقاقة
قام الباحثون بقياس كفاءة الطاقة للرقاقة بمقياس يعرف باسم منتج تأخير الطاقة، أو EDP. يجمع EDP بين كمية الطاقة المستهلكة لكل عملية ومقدار الوقت المستغرق لإكمال العملية.
من خلال هذا المقياس، تحقق شريحة NeuRRAM 1.6 إلى 2.3 مرة أقل من EDP (الأقل أفضل) وكثافة حسابية أعلى من 7 إلى 13 مرة من أحدث الشرائح.
أدار المهندسون العديد من مهام الذكاء الاصطناعي على الرقاقة. حقق دقة تصل إلى 99٪ في مهمة التعرف على الأرقام المكتوبة بخط اليد؛ 85.7٪ على مهمة تصنيف الصور؛ و84.7٪ في مهمة التعرف على أمر الكلام من Google.
بالإضافة إلى ذلك، حققت الشريحة أيضًا انخفاضًا بنسبة 70٪ في خطأ إعادة بناء الصورة في مهمة استعادة الصورة.
هذه النتائج قابلة للمقارنة مع الرقائق الرقمية الحالية التي تجري عمليات حسابية بنفس دقة البت، ولكن مع توفير كبير في الطاقة.
يشير الباحثون إلى أن إحدى المساهمات الرئيسية للورقة البحثية هي أن جميع النتائج المعروضة يتم الحصول عليها مباشرة على الأجهزة.
في العديد من الأعمال السابقة لرقائق الحوسبة في الذاكرة، غالبًا ما يتم الحصول على نتائج اختبار الذكاء الاصطناعي جزئيًا عن طريق محاكاة البرامج.
تشمل الخطوات التالية تحسين البنى والدوائر وتوسيع نطاق التصميم ليشمل عقد تقنية أكثر تقدمًا. يخطط المهندسون أيضًا لمعالجة التطبيقات الأخرى، مثل الشبكات العصبية المتصاعدة.
قال راجكومار كوبيندران ، الأستاذ المساعد في جامعة بيتسبرغ، الذي بدأ العمل في المشروع أثناء دكتوراه. طالب في مجموعة Cauwenberghs البحثية في جامعة كاليفورنيا.
بالإضافة إلى ذلك، يعد وان عضوًا مؤسسًا في شركة ناشئة تعمل على إنتاج تقنية الحوسبة في الذاكرة. قال وان: “بصفتي باحثًا ومهندسًا، فإن طموحي هو جلب الابتكارات البحثية من المختبرات إلى الاستخدام العملي”.
هندسة معمارية جديدة
مفتاح كفاءة الطاقة في NeuRRAM هو طريقة مبتكرة لاستشعار الإخراج في الذاكرة. تستخدم الطرق التقليدية الجهد كمدخلات وتقيس التيار كنتيجة.
لكن هذا يؤدي إلى الحاجة إلى دوائر أكثر تعقيدًا وأكثر حاجة للطاقة. في NeuRRAM ، صمم الفريق دائرة عصبية تستشعر الجهد وتنفذ تحويلًا من التناظرية إلى الرقمية بطريقة موفرة للطاقة.
يمكن لاستشعار وضع الجهد هذا تنشيط جميع الصفوف وجميع أعمدة مصفوفة RRAM في دورة حوسبة واحدة، مما يسمح بتوازي أعلى.
في بنية NeuRRAM ، يتم تشذير دارات CMOS العصبية فعليًا بأوزان RRAM. إنه يختلف عن التصميمات التقليدية حيث تكون دارات CMOS عادةً على أطراف أوزان RRAM.
يمكن تكوين اتصالات الخلايا العصبية مع مجموعة RRAM لتعمل إما كمدخلات أو مخرجات للخلايا العصبية.
يتيح ذلك استدلال الشبكة العصبية في اتجاهات تدفق البيانات المختلفة دون تكبد نفقات إضافية في المنطقة أو استهلاك الطاقة. وهذا بدوره يجعل إعادة تشكيل العمارة أسهل.
للتأكد من إمكانية الحفاظ على دقة حسابات الذكاء الاصطناعي عبر بنى الشبكات العصبية المختلفة، طور المهندسون مجموعة من تقنيات التحسين المشترك لخوارزمية الأجهزة.
تم التحقق من التقنيات على شبكات عصبية مختلفة بما في ذلك الشبكات العصبية التلافيفية والذاكرة طويلة المدى وآلات بولتزمان المقيدة.
كشريحة AI عصبية، يقوم NeuroRAM بتنفيذ معالجة موزعة متوازية عبر 48 مركزًا عصبيًا مشبكيًا.
لتحقيق تنوع عالي وكفاءة عالية في نفس الوقت، يدعم NeuRRAM توازي البيانات عن طريق تعيين طبقة في نموذج الشبكة العصبية على نوى متعددة للاستدلال المتوازي على بيانات متعددة.
أيضًا، يوفر NeuRRAM نموذجًا متوازيًا من خلال تعيين طبقات مختلفة من النموذج على نوى مختلفة وإجراء الاستدلال بطريقة مخططة.
فريق بحث دولي
العمل هو نتيجة فريق دولي من الباحثين.
صمم فريق UCSD دوائر CMOS التي تنفذ الوظائف العصبية التي تتفاعل مع مصفوفات RRAM لدعم الوظائف التشابكية في بنية الشريحة، لتحقيق كفاءة عالية وتعدد استخدامات.
قام وان، بالعمل عن كثب مع الفريق بأكمله، بتنفيذ التصميم؛ تميزت الرقاقة تدريب نماذج الذكاء الاصطناعي؛ ونفذت التجارب. طور وان أيضًا سلسلة أدوات برمجية ترسم تطبيقات الذكاء الاصطناعي على الشريحة.
تم تمييز وتحسين مجموعة المشابك RRAM وظروف تشغيلها على نطاق واسع في جامعة ستانفورد.
تم تصنيع مجموعة RRAM ودمجها في CMOS في جامعة Tsinghua .
ساهم الفريق في نوتردام في كل من تصميم وهندسة الشريحة وتصميم نموذج التعلم الآلي اللاحق والتدريب.
بدأ البحث كجزء من مشروع البعثات في الحوسبة الممول من مؤسسة العلوم الوطنية على Visual Cortex على السيليكون في جامعة ولاية بنسلفانيا، مع استمرار الدعم التمويلي من مكتب أبحاث العلوم البحرية لبرنامج الذكاء الاصطناعي، ومؤسسة أبحاث أشباه الموصلات، وبرنامج DARPA JUMP، وشركة ويسترن ديجيتال.
المصدر: scitechdaily
شاهد ايضا:
