Çin, Nvidia A100’den 478 kat hızlı bellek içi hesaplama çipini duyurdu

Yapay zeka işlemcileri ve yüksek performanslı bilgi işlem sistemlerinde hız ve enerji verimliliği yarışı sürerken, Çinli araştırmacılar veri işleme ile depolama süreçlerini aynı donanım üzerinde birleştiren yeni bir çip geliştirdi. Pekin Üniversitesi ve Çin Bilimler Akademisi tarafından geliştirilen 40 nanometrelik yonga, yapay sinir ağını doğrudan donanım mimarisine entegre ederek geleneksel bilgisayarlardaki veri aktarım darboğazını azaltmayı amaçlıyor.
Yeni çipin, insan beyninin karmaşık korteks yapısını yarım saniyenin altında modelleyebildiği belirtildi. Araştırmacılara göre sistem, Nvidia A100 grafik işlemcili mevcut donanımlara kıyasla farklı görevlerde 50 ila 478 kat arasında daha yüksek performans gösterdi.

BELLEK VE İŞLEMCİ AYNI YAPIDA
Geleneksel bilgisayar mimarilerinde veriler bellekte saklanıyor, ardından işlenmek üzere işlemciye aktarılıyor. Bellek ile işlemci arasındaki bu sürekli veri hareketi, hesaplama süresini uzatırken enerji tüketimini de artırıyor.
Çinli araştırmacıların geliştirdiği bellek içi hesaplama mimarisi ise verinin depolandığı yerde işlenmesine imkan tanıyor. Böylece veri aktarımına duyulan ihtiyaç azalıyor ve hesaplamalar daha düşük gecikmeyle gerçekleştirilebiliyor.

MEMRİSTÖRDEKİ KAYMA AVANTAJA ÇEVRİLDİ
Araştırma ekibi, çipin geliştirilmesinde faz değişimli memristörlerden yararlandı. Bu bileşenlerde genellikle üretim kusuru olarak değerlendirilen iletkenlik kayması, yeni sistemde sinirsel dinamikleri hesaplamak için kullanıldı.
İletkenlikte zamanla oluşan değişim, yapay sinir ağının çalışma biçimini donanım düzeyinde taklit eden bir unsur haline getirildi. Bu yaklaşım sayesinde çipin hem işlem hızının hem de enerji verimliliğinin artırıldığı belirtildi.

VERİ AKTARIMI AZALIYOR
Almanya’daki Jülich Araştırma Merkezi’nden uzmanlar, bellek içi hesaplama yaklaşımını verinin uzak bir işlem merkezine taşınması yerine üretildiği noktada işlenmesine benzetiyor. Bu yöntem, veri hareketini azaltarak hem gecikme süresini hem de enerji tüketimini düşürüyor.
Özellikle yüksek hacimli görüntüleme ve modelleme işlemlerinde, verinin bellekte tutulduğu noktada işlenmesi sistem performansı açısından önemli bir avantaj sağlıyor.

BEYİN HARİTALAMADA KULLANILABİLİR
Pekin Üniversitesi Entegre Devreler Fakültesi Profesörü Yang Yuchao, geliştirilen çipin gerçek zamanlı nöronavigasyon, Alzheimer hastalığının erken teşhisi ve kişiselleştirilmiş dijital beyin ikizlerinin oluşturulması gibi alanlarda kullanılabileceğini söyledi.
Yeni mimarinin, özellikle yüksek hacimli beyin görüntüleme verilerinin hızlı biçimde işlenmesine yönelik uygulamalarda donanım temeli oluşturabileceği belirtiliyor. Bu özellik, cerrahi müdahaleler sırasında gerçek zamanlı görüntüleme ve yönlendirme sistemleri açısından önem taşıyor.

YARIM SANİYENİN ALTINDA MODELLEME
Araştırmacıların açıkladığı performans sonuçlarına göre çip, karmaşık kortikal yapıları yarım saniyenin altında modelleyebiliyor. Aynı işlemlerin geleneksel GPU tabanlı sistemlerde daha uzun sürdüğü ifade ediliyor.
Bellek ve işlem birimlerinin aynı yapıda bulunması, veri aktarımından kaynaklanan gecikmeyi azaltıyor. Bu sayede sistem, milisaniye ölçeğinde sonuç üretirken daha düşük enerji tüketimiyle çalışabiliyor.

NVIDIA A100’E KARŞI TEST EDİLDİ
Yeni yonganın performansı, Nvidia A100 grafik işlemcili sistemlerle karşılaştırıldı. Araştırmacılar, yapılan testlerde uygulamaya bağlı olarak 50 ila 478 kat arasında hız artışı sağlandığını bildirdi.
Geleneksel GPU sistemlerinde bellek ve işlemci arasındaki veri trafiği yüksek enerji tüketimine ve ısınmaya neden olurken, bellek içi hesaplama yaklaşımı bu yükü azaltmayı hedefliyor.

ROBOTİK VE OTONOM SİSTEMLERE UYGULANABİLİR
Geliştirilen çipin kullanım alanlarının yalnızca tıbbi görüntüleme ve beyin modelleme uygulamalarıyla sınırlı olmadığı belirtiliyor. Düşük gecikme ve düşük enerji tüketimi, teknolojiyi robotik sistemler, otonom araçlar, somutlaştırılmış yapay zeka uygulamaları ve uç bilişim cihazları için de uygun hale getiriyor.
Araştırma ekibi, bellek içi hesaplama mimarisinin yüksek veri hacmine sahip sistemlerde daha hızlı ve enerji verimli yapay zeka donanımlarının geliştirilmesine katkı sağlayabileceğini belirtiyor.