Doğru tahminlerde bulunmak ve istenen görevleri güvenilir bir şekilde tamamlamak için büyük miktarda veriyi hızla analiz etmesi gereken yapay zeka sistemleri, mevcut elektronik cihazlarda işlem ve bellek birimleri arasındaki veri aktarımı nedeniyle enerji verimliliği sorunları yaşamakta. Bu sorunu çözmek amacıyla mühendisler, son yıllarda bellekte hesaplama (CIM) sistemleri adı verilen yeni donanımlar geliştirmeye odaklanıyor.
CIM sistemleri, hem hesaplamalar yapabilen hem de bilgiyi kalıcı olarak depolayabilen elektronik bileşenlerdir. Ancak daha önce tanıtılan CIM tasarımlarının çoğu, hassasiyet açısından dijital yöntemlere göre yetersiz kalan analog hesaplama yaklaşımlarına dayanıyordu.
SPİN-TRANSFER TORKLU BELLEK
Güney Bilim ve Teknoloji Üniversitesi, Xi'an Jiaotong Üniversitesi ve diğer enstitülerdeki araştırmacılar, bu sorunu aşmak için umut verici yeni bir dijital CIM çipi geliştirdi. Nature Electronics'te yayımlanan önerilen sistem, spin-transfer torklu manyetik-rastgele erişim belleğine (STT-MRAM) dayanıyor. STT-MRAM, manyetik yöneliminde ikili bilgi birimlerini (0'lar ve 1'ler) depolayabilen bir spintronik cihazdır.
Araştırma ekibinin kullandığı STT-MRAM cihazları, esasen üç katmandan oluşan manyetik tünel bağlantısından (MTJ) oluşur. İki manyetik katmanın yönleri paralel olduğunda elektronlar kolayca tünelleme yapabilirken, zıt olduğunda direnç artar. STT-MRAM cihazları, bu iki farklı direnç durumunu ikili veri depolamak için kullanır.
DİJİTAL HASSASİYET
Humiao Li, Zheng Chai ve meslektaşları, geliştirdikleri 40 nm STT-MRAM teknolojisine dayanan 64 kb kalıcı olmayan dijital CIM makrosunu rapor ettiklerini belirtti. Araştırmacılar, dijital bir yaklaşımın, doğruluk, ölçeklenebilirlik ve sağlamlık açısından sınırlı olan analog hesaplamaya göre önemli bir üstünlük sağladığını vurguladı.
Ekibin tanıttığı STT-MRAM tabanlı modül, tek bir cihazda güvenilir bir şekilde hesaplamalar yapabiliyor ve bitleri depolayabiliyor. İlk testlerde, iki farklı sinir ağı türünü olağanüstü hız ve doğrulukla çalıştırarak oldukça iyi bir performans sergiledi. Yazarlar, makronun esnek giriş ve ağırlık hassasiyetleriyle (4, 8, 12 ve 16 bit) kayıpsız matris-vektör çarpımlarını desteklediğini ve yazılım eşdeğeri çıkarım doğruluğu elde edebildiğini belirtti.
MOBİL YAPAY ZEKA
Geliştirilen CIM modülünün, 4 ila 16 bit hassasiyet konfigürasyonlarında tam paralel matris-vektör çarpımları için sadece 7.4-29.6 nanosaniye gecikmelere sahip olduğu bildirildi. Enerji verimliliği ise watt başına saniyede 7.02-112.3 tera-işlem düzeyinde.
Ekibin bu yeni CIM modülü, gelecekte büyük veri merkezlerine ihtiyaç duymadan, yapay zekanın doğrudan taşınabilir cihazlarda enerji tasarruflu bir şekilde konuşlandırılmasına katkıda bulunabilir. Bu çalışma, önümüzdeki yıllarda STT-MRAM'lara veya diğer spintronik cihazlara dayalı benzer CIM sistemlerinin geliştirilmesine de ilham verebilir.
