برای همین کار، مصرف انرژی این تراشه برای یادگیری روی تراشه تنها 3 درصد از مصرف انرژی سیستم مدار مجتمع پیشرفته فرآیند خاص (ASIC) است.

در حال حاضر، هوش مصنوعی مولد موج جدیدی از توسعه را در صنعت هوش مصنوعی به راه انداخته است. فناوری‌های هوش مصنوعی که با قدرت محاسباتی بزرگ پشتیبانی می‌شوند، شیوه زندگی و کار انسان‌ها را تا حد زیادی تغییر می‌دهند. با این حال، تعداد انبوه پارامترهای مورد نیاز برای مدل‌های هوش مصنوعی منجر به افزایش تقاضا برای قدرت محاسباتی شده است و یافتن راه‌حل‌هایی برای پر کردن شکاف محاسباتی عظیم و دستیابی به بهبودهای قابل توجه در بهره‌وری انرژی ضروری است. تراشه های با کارایی بالا و انرژی کارآمد به حامل های خاص قدرت محاسباتی و پایه اصلی توسعه این موج انقلاب هوشمند و همچنین نیروی محرکه توسعه مستمر جامعه بشری تبدیل شده اند.

پروفسور Wu Huaqiang و دانشیار Gao Bin از دانشکده مدارهای مجتمع در دانشگاه Tsinghua، برای پرداختن به چالش‌های اصلی معماری‌های جداسازی ذخیره‌سازی-محاسبات سنتی که قدرت محاسباتی را محدود می‌کنند، بر تحقیق در مورد فناوری یکپارچه ذخیره‌سازی-محاسباتی مقاومت حافظه تمرکز کردند و پارادایم جدید برای سیستم های کامپیوتری

فناوری یکپارچه ذخیره سازی-محاسباتی مقاومت حافظه، معماری سنتی محاسبات فون نویمان را از جنبه های دستگاه، مدار و محاسبات نظری متحول کرد و به بهبودی جهشی در قدرت محاسباتی و بهره وری انرژی دست یافت. این فناوری همچنین می‌تواند از ویژگی‌های یادگیری دستگاه‌های زیربنایی برای پشتیبانی از یادگیری بر روی تراشه بلادرنگ استفاده کند و سناریوهای جدید آموزش لبه مبتنی بر یادگیری محلی را تقویت کند. در حال حاضر، تحقیقات مرتبط در سطح بین‌المللی عمدتاً بر نمایش عملکرد یادگیری در سطح آرایه مقاومت حافظه متمرکز است. با این حال، تحقق تراشه‌های مقاومت حافظه یکپارچه جهانی که از یادگیری کارآمد روی تراشه پشتیبانی می‌کنند، هنوز با چالش‌های مهمی مواجه است، که عمدتاً به دلیل سازگاری ضعیف بین روش به‌روزرسانی وزن با دقت بالا مورد نیاز الگوریتم آموزشی سنتی انتشار پس‌پخش و ویژگی‌های واقعی مقاومت‌های حافظه است.

برای حل مشکلات فوق، پروفسور Wu Huaqiang و دانشیار Gao Bin بر اساس الگوی محاسباتی یکپارچه ذخیره سازی-محاسباتی، اولین تراشه یکپارچه ذخیره سازی-محاسباتی مقاومت حافظه یکپارچه جهانی را توسعه دادند که از یادگیری کارآمد روی تراشه پشتیبانی می کند (یادگیری ماشینی می تواند مستقیماً باشد. در پایان سخت افزار تکمیل شد). آنها پیشرفت های قابل توجهی در زمینه تراشه های یکپارچه ذخیره سازی-محاسبه مقاومت حافظه داشته اند که از یادگیری روی تراشه پشتیبانی می کند، که انتظار می رود توسعه هوش مصنوعی، رانندگی مستقل و دستگاه های پوشیدنی را ارتقا دهد. دستاوردهای مربوطه در آخرین شماره مجله Science به صورت آنلاین منتشر شده است.

گزارش شده است که این تراشه به مصرف انرژی برای یادگیری روی تراشه دست می یابد که تنها 1/35 از سیستم مدار مجتمع پیشرفته فرآیند خاص (ASIC) است، در حالی که انتظار می رود به بهبود 75 برابری در بهره وری انرژی دست یابد.

الگوریتم ها و معماری های جهانی مبتنی بر یکپارچه سازی ذخیره سازی-محاسباتی حافظه-مقاومت برای یادگیری کارآمد روی تراشه.

یادگیری لبه با استفاده از تراشه های مقاومت حافظه عصبی

نمایش آموزش افزایشی برای کنترل ردیابی خودکار یک ماشین کوچک

برای همین کار، مصرف انرژی یادگیری روی تراشه که توسط این تراشه به دست می‌آید، تنها 3 درصد از مصرف انرژی یک سیستم تخصصی ASIC تحت فناوری پیشرفته است که نشان‌دهنده مزایای بهره‌وری انرژی برجسته و پتانسیل عالی برای برآورده کردن نیازهای قدرت محاسباتی بالای هوش مصنوعی است. عصر. این یک مسیر توسعه نوآورانه برای شکستن گلوگاه بهره وری انرژی تحت معماری سنتی محاسبات فون نویمان فراهم می کند.

دکتر یائو پنگ، محقق فوق دکترا توضیح داد: "یادگیری روی تراشه ذخیره سازی و یکپارچه سازی محاسبات می تواند به طور موثری از حریم خصوصی و داده های کاربر محافظت کند و در عین حال به تاخیر کمتر و مصرف انرژی کمتری دست یابد." با اشاره به روش‌های پردازش بیومیمتیک مغز، این تراشه می‌تواند به «آموزش روی تراشه» و «تشخیص روی تراشه» سریع برای وظایف مختلف دست پیدا کند و به طور موثر وظایف یادگیری افزایشی را در سناریوهای محاسبات لبه با مصرف انرژی کم برای انطباق با موقعیت‌های جدید و یادگیری موارد جدید انجام دهد. دانش، پاسخگویی به نیازهای شخصی کاربران

به عنوان مثال، برخی از افراد عادت دارند وسط عدد "7" یک خط تیره کوتاه اضافه کنند. تراشه هوشمند در ابتدا این نماد را تشخیص نمی دهد، اما پس از آموزش روی دو یا سه عدد از این نوع نوشته شده "7"، می تواند به طور دقیق آن را به عنوان عدد "7" تشخیص دهد.

در شرایط پیچیده و دائماً در حال تغییر بین‌المللی، شکستن فناوری «گلوگاه» در کانون توجه فعلی قرار دارد.

اعضای تیم در مواجهه با مشکلات عملی مانند کمبود تجهیزات پیشرفته تحقیق و توسعه، تا حدودی از درستی هر گامی که برمی‌دارند، نتایج می‌تواند انتظارات را برآورده کند، و اینکه آیا فناوری را می‌توان بیشتر بهینه کرد یا خیر، دچار مشکل هستند. همه اینها بار بزرگی بر دوش همه است.

اولاً، چالش های تکنولوژیکی وجود دارد. توسعه تراشه های ممریستور شامل دانش پیشرفته از رشته های مختلف مانند علم مواد، فیزیک و مهندسی الکترونیک است. در میان بسیاری از چالش‌های فنی، اولین موردی که به آن پرداخته می‌شود، چگونگی دستیابی به یکپارچه‌سازی در مقیاس بزرگ دستگاه‌های حافظه‌دار است. از طریق تعداد زیادی آزمایش و مطالعات نظری، این تیم یک روش بهینه‌سازی مشترک معماری-مدار-فرآیند را پیشنهاد کرد که راهنمایی برای طراحی سیستم یکپارچه ذخیره‌سازی و محاسباتی ارائه کرد.

دوم، چالش های مهندسی وجود دارد. با وجود فرآیند یکپارچه سازی در مقیاس بزرگ و طراحی مدار حیاتی، چگونه می توان بر خطاهای ناشی از اثرات غیر ایده آل چند مقیاسی از پایین به بالا غلبه کرد و در یک تراشه سیستم کارآمد مونتاژ کرد؟ با تلاش مشترک معلمان و دانش‌آموزان تیم، معماری STELLAR پیشنهاد شد، بهینه‌سازی الگوریتم و آزمایش‌های شبیه‌سازی تکمیل شد و یک تراشه یادگیری یکپارچه محاسباتی و ذخیره‌سازی بسیار کارآمد ساخته شد که به بهبود قابل توجهی در سرعت و بهره‌وری انرژی دست یافت.

گائو بین معتقد است: "جاده دشوار است، اما اهمیت فوق‌العاده‌ای دارد. این یک میدان جنگ مهم در زمینه فناوری پیشرفته جهانی است." تحقیق در مورد تراشه یک فرآیند طولانی و دشوار است و هیچ پیشرفت آشکاری در چشم نیست. اما با تحقیق و یادگیری مستمر، دستاوردهای ارزشمندی به دست می آید.

به عنوان اولین نویسندگان مقالات دانشگاهی، ژانگ ونبین و یائو پنگ دانش گسترده ای در زمینه های تحقیقاتی مختلف مانند نیمه هادی ها، میکروالکترونیک، الگوریتم های نرم افزاری و محاسبات نورومورفیک در طول تحصیل در مقطع دکترا به دست آورده اند. آنها نتایج غنی تحقیق و توسعه و تجربه مهندسی ارزشمندی را جمع آوری کرده اند.

از هیچ به چیزی، از ضعف به قوت. در این مسیر تحقیقات علمی که هیچ راه میانبری ندارد، این «جوانان چیپ» لحظات بی‌شماری تسلیم شدن را پس از آماده‌سازی و مشاهده تجربه کرده‌اند تا پس از شکست‌های متعدد، از نو شروع کنند و چالش‌ها را یکی پس از دیگری پشت سر بگذارند.

با نگاهی به آینده، وو هواچیانگ امیدوار است که راه‌حل‌ها و فناوری‌های این تیم بتواند فراتر از آزمایشگاه رفته و به طور موثر تحول دستاوردهای تحقیقات علمی را ارتقا دهد. آنها در خدمت به نیازهای کشور و جامعه هستند.