עבור אותה משימה, צריכת האנרגיה של שבב זה ללמידה על-שבב היא רק 3% מזו של מערכת ASIC (Advanced Process-Specific Integrated Circuit).

נכון לעכשיו, בינה מלאכותית גנרטיבית עוררה גל חדש של התפתחות בתעשיית הבינה המלאכותית. טכנולוגיות בינה מלאכותית הנתמכות על ידי כוח מחשוב גדול משנות מאוד את הדרך בה בני אדם חיים ועובדים. עם זאת, המספר העצום של פרמטרים הנדרשים למודלים של AI הוביל לביקוש הולך וגובר לכוח מחשוב, מה שהופך את הכרחי למצוא פתרונות לגשר על פער המחשוב העצום ולהשיג שיפורים משמעותיים ביעילות האנרגיה. שבבים בעלי ביצועים גבוהים וחסכוניים באנרגיה הפכו לנושאים הספציפיים של כוח מחשוב ולבסיס הליבה המניע את הפיתוח של גל המהפכה החכמה הזו, כמו גם לכוח המניע מאחורי ההתפתחות המתמשכת של החברה האנושית.

כדי להתמודד עם האתגרים העיקריים העומדים בפני ארכיטקטורות הפרדת אחסון-מחשוב מסורתיות המגבילות את כוח המחשוב, פרופסור וו הואצ'יאנג ופרופסור חבר גאו בין מבית הספר למעגלים משולבים באוניברסיטת טסינגואה התמקדו במחקר של טכנולוגיה משולבת נגד אחסון אחסון-מחשוב וחקרו פרדיגמה חדשה למערכות מחשוב.

הטכנולוגיה המשולבת של נגד זיכרון אחסון-מחשוב חוללה מהפכה בארכיטקטורת המחשוב המסורתית של von Neumann מההיבטים של מכשיר, מעגל ומחשוב תיאורטי, והשיגה שיפור קפיצת מדרגה בכוח המחשוב וביעילות האנרגיה. טכנולוגיה זו יכולה גם לנצל את מאפייני הלמידה של המכשירים הבסיסיים כדי לתמוך בלמידה בזמן אמת על-שבב, להעצים תרחישים חדשים של אימון קצה מקומי מבוסס למידה. נכון לעכשיו, מחקר קשור ברמה הבינלאומית מתמקד בעיקר בהדגמות פונקציית למידה ברמת מערך נגדי הזיכרון. עם זאת, המימוש של שבבי נגדי זיכרון משולבים ברחבי העולם התומכים בלמידה יעילה על-שבב עדיין מתמודד עם אתגרים משמעותיים, בעיקר בשל התאימות הירודה בין שיטת עדכון המשקל ברמת הדיוק הגבוהה הנדרשת על ידי אלגוריתם האימון המסורתי להפצה לאחור לבין המאפיינים בפועל של נגדי זיכרון.

כדי לפתור את הבעיות שלעיל, פרופסור וו הואצ'יאנג ופרופסור חבר גאו בין, המבוססים על פרדיגמת המחשוב המשולב של אחסון-מחשוב, פיתחו את השבב המשולב הראשון בעולם של נגד זיכרון אחסון-מחשוב, התומך בלמידה יעילה על-שבב (למידת מכונה יכולה להיות ישירות הושלם בסוף החומרה). הם עשו פריצות דרך משמעותיות בתחום השבבים המשולבים באחסון נגדי זיכרון התומכים בלמידה על-שבב, שצפוי לקדם פיתוח של בינה מלאכותית, נהיגה אוטונומית והתקנים לבישים. ההישגים הרלוונטיים פורסמו באינטרנט בגיליון האחרון של Science.

מדווחים כי שבב זה משיג צריכת אנרגיה ללמידה על-שבב שהיא רק 1/35 מזו של מערכת ASIC (Advanced Process-Specific Integrated Circuit), תוך שהיא צפויה להשיג שיפור של פי 75 ביעילות האנרגיה.

אלגוריתמים וארכיטקטורות אוניברסליות המבוססות על אינטגרציה של זיכרון-נגד אחסון-מחשוב ללמידה יעילה על-שבב.

למידת קצה באמצעות שבבי נגד זיכרון נוירומורפי

הדגמה של למידה מצטברת לבקרת מעקב אוטומטית של מכונית קטנה

עבור אותה משימה, צריכת האנרגיה של למידה בשבב שהושגה על ידי שבב זה היא רק 3% מזו של מערכת ASIC מתמחה בטכנולוגיה מתקדמת, המדגימה יתרונות יוצאי דופן ביעילות אנרגטית ופוטנציאל גדול לעמידה בדרישות כוח המחשוב הגבוהות של ה-AI תְקוּפָה. זה מספק נתיב פיתוח חדשני לפריצת צוואר הבקבוק של יעילות האנרגיה תחת ארכיטקטורת המחשוב המסורתית פון נוימן.

"הלמידה על השבב של שילוב אחסון וחישוב יכולה להגן ביעילות על פרטיות המשתמש והנתונים תוך השגת חביון נמוך יותר וצריכת אנרגיה קטנה יותר", הסביר ד"ר יאו פנג, חוקר פוסט-דוקטורט. בהתייחס לשיטות עיבוד מוח ביו-מימטי, שבב זה יכול להשיג "אימון על-שבב" מהיר ו"זיהוי על-שבב" עבור משימות שונות, ולבצע ביעילות משימות למידה מצטברות בתרחישי מחשוב קצה עם צריכת חשמל נמוכה כדי להסתגל למצבים חדשים וללמוד חדש ידע, עונה על הצרכים המותאמים אישית של המשתמשים.

לדוגמה, יש אנשים שרגילים להוסיף מקף קצר באמצע הספרה "7". בתחילה, השבב החכם אינו מזהה את הסמל הזה, אך לאחר אימון על שניים או שלושה "7" כתובים כאלה, הוא יכול לזהות אותו במדויק כמספר "7".

במצב הבינלאומי המורכב והמשתנה ללא הרף, פריצת טכנולוגיית "צוואר הבקבוק" נותרה במוקד הנוכחי.

מול בעיות מעשיות כמו מחסור בציוד מחקר ופיתוח מתקדם, חברי הצוות אובדי עצות אם כל צעד שהם עושים נכון, האם התוצאות עומדות בציפיות והאם ניתן לייעל את הטכנולוגיה עוד יותר. כל אלה הם עומסים עצומים על כולם.

ראשית, יש אתגרים טכנולוגיים. הפיתוח של שבבי ממריסטור כרוך בידע חדשני ממגוון דיסציפלינות כגון מדעי החומרים, פיזיקה והנדסת אלקטרוניקה. בין האתגרים הטכניים הרבים, הראשון שיש להתייחס אליו הוא כיצד להשיג אינטגרציה בקנה מידה גדול של התקנים ממריסטיבים. באמצעות מספר רב של ניסויים ומחקרים תיאורטיים, הצוות הציע שיטת אופטימיזציה משותפת של ארכיטקטורה-מעגל-תהליך, אשר סיפקה הדרכה לתכנון של מערכת משולבת אחסון וחישוב.

שנית, יש אתגרים הנדסיים. עם תהליך האינטגרציה בקנה מידה גדול ותכנון מעגלים קריטי במקום, כיצד ניתן להתגבר על שגיאות הנגרמות על ידי השפעות לא אידאליות בקנה מידה מלמטה למעלה ולהרכיב אותן לשבב מערכת יעיל? במאמצים משותפים של המורים והתלמידים של הצוות, הוצעה ארכיטקטורת STELLAR, הושלמו ניסויי אופטימיזציה של אלגוריתמים וסימולציה, ויוצר שבב למידה משולב אחסון וחישוב יעיל ביותר, שהשיג שיפור משמעותי במהירות וביעילות האנרגיה.

"הדרך קשה, אבל יש לה משמעות יוצאת דופן. זה שדה קרב חשוב בתחום ההייטק העולמי הנוכחי", מאמין גאו בין. מחקר שבבים הוא תהליך ארוך ומפרך, ללא פריצת דרך נראית לעין. עם זאת, באמצעות מחקר ולמידה מתמשכים, מתקבלים הישגים יקרי ערך.

ככותבים הראשונים של מאמרים אקדמיים, ג'אנג וונבין ויאו פנג צברו ידע נרחב בתחומי מחקר שונים כגון מוליכים למחצה, מיקרואלקטרוניקה, אלגוריתמי תוכנה ומחשוב נוירומורפי במהלך לימודי הדוקטורט שלהם. הם צברו תוצאות מחקר ופיתוח עשירות וניסיון הנדסי רב ערך.

מכלום למשהו, מחולשה לחוזק. בנתיב זה של מחקר מדעי, שאין לו קיצורי דרך, "צעירי הצ'יפים" הללו חוו אינספור רגעים של ויתור לאחר הכנה והתבוננות, רק כדי להתחיל מחדש לאחר כשלונות רבים, להתגבר על אתגר אחד אחרי השני.

במבט לעתיד, Wu Huaqiang מקווה שהפתרונות והטכנולוגיות של הצוות יכולים לחרוג מהמעבדה ולקדם ביעילות את השינוי של הישגי המחקר המדעיים. הם מסורים לשרת את צרכי המדינה והחברה.