Untuk tugas yang sama, konsumsi energi chip ini untuk pembelajaran on-chip hanya 3% dari sistem Advanced Process-Specific Integrated Circuit (ASIC).

Saat ini, kecerdasan buatan generatif telah memicu gelombang baru perkembangan industri AI. Teknologi AI yang didukung daya komputasi besar sangat mengubah cara hidup dan bekerja manusia. Namun, banyaknya parameter yang diperlukan untuk model AI telah menyebabkan meningkatnya permintaan akan daya komputasi, sehingga penting untuk menemukan solusi guna menjembatani kesenjangan komputasi yang besar dan mencapai peningkatan signifikan dalam efisiensi energi. Chip berperforma tinggi dan hemat energi telah menjadi pembawa daya komputasi yang spesifik dan landasan inti yang mendorong perkembangan gelombang revolusi cerdas ini, serta kekuatan pendorong di balik perkembangan berkelanjutan masyarakat manusia.

Untuk mengatasi tantangan besar yang dihadapi oleh arsitektur pemisahan komputasi penyimpanan tradisional yang membatasi daya komputasi, Profesor Wu Huaqiang dan Associate Professor Gao Bin dari Sekolah Sirkuit Terpadu di Universitas Tsinghua berfokus pada penelitian teknologi terintegrasi komputasi penyimpanan resistor memori dan mengeksplorasi a paradigma baru untuk sistem komputer.

Teknologi terintegrasi komputasi penyimpanan resistor memori merevolusi arsitektur komputasi von Neumann tradisional dari aspek perangkat, sirkuit, dan komputasi teoretis, mencapai peningkatan lompatan maju dalam daya komputasi dan efisiensi energi. Teknologi ini juga dapat memanfaatkan karakteristik pembelajaran dari perangkat yang mendasarinya untuk mendukung pembelajaran on-chip secara real-time, sehingga memberdayakan skenario baru pelatihan edge berbasis pembelajaran lokal. Saat ini, penelitian terkait di tingkat internasional terutama berfokus pada demonstrasi fungsi pembelajaran pada tingkat susunan resistor memori. Namun, realisasi chip resistor memori yang terintegrasi secara global yang mendukung pembelajaran on-chip yang efisien masih menghadapi tantangan yang signifikan, terutama karena buruknya kompatibilitas antara metode pembaruan bobot presisi tinggi yang diperlukan oleh algoritma pelatihan propagasi mundur tradisional dan karakteristik sebenarnya dari resistor memori.

Untuk mengatasi masalah di atas, Profesor Wu Huaqiang dan Associate Professor Gao Bin berdasarkan paradigma komputasi penyimpanan terintegrasi, mengembangkan chip terintegrasi komputasi penyimpanan resistor memori terintegrasi pertama di dunia yang mendukung pembelajaran on-chip yang efisien (pembelajaran mesin dapat langsung diselesaikan di ujung perangkat keras). Mereka telah membuat terobosan signifikan di bidang chip terintegrasi komputasi penyimpanan resistor memori yang mendukung pembelajaran on-chip, yang diharapkan dapat mendorong pengembangan kecerdasan buatan, mengemudi otonom, dan perangkat yang dapat dikenakan. Pencapaian yang relevan telah dipublikasikan secara online di edisi terbaru Science.

Dilaporkan bahwa chip ini mencapai konsumsi energi untuk pembelajaran on-chip yang hanya 1/35 dari sistem Advanced Process-Specific Integrated Circuit (ASIC), dan juga diharapkan mencapai peningkatan efisiensi energi sebesar 75 kali lipat.

Algoritma dan arsitektur universal berdasarkan integrasi penyimpanan-komputasi memori-resistor untuk pembelajaran on-chip yang efisien.

Pembelajaran tepi menggunakan chip resistor memori neuromorfik

Demonstrasi Pembelajaran Tambahan untuk Kontrol Pelacakan Otomatis Mobil Kecil

Untuk tugas yang sama, konsumsi energi pembelajaran on-chip yang dicapai oleh chip ini hanya 3% dari sistem ASIC khusus dengan teknologi canggih, menunjukkan keunggulan efisiensi energi yang luar biasa dan potensi besar untuk memenuhi kebutuhan daya komputasi AI yang tinggi. zaman. Hal ini memberikan jalur pengembangan inovatif untuk menerobos hambatan efisiensi energi di bawah arsitektur komputasi tradisional von Neumann.

“Pembelajaran on-chip mengenai penyimpanan dan integrasi komputasi dapat secara efektif melindungi privasi dan data pengguna sekaligus mencapai latensi yang lebih rendah dan konsumsi energi yang lebih kecil,” jelas Dr. Yao Peng, seorang peneliti pascadoktoral. Mengacu pada metode pemrosesan otak biomimetik, chip ini dapat mencapai "pelatihan on-chip" dan "pengenalan on-chip" yang cepat untuk berbagai tugas, secara efektif melakukan tugas pembelajaran tambahan dalam skenario komputasi edge dengan konsumsi daya rendah untuk beradaptasi dengan situasi baru dan mempelajari hal baru pengetahuan, memenuhi kebutuhan pribadi pengguna.

Misalnya, sebagian orang terbiasa menambahkan tanda hubung pendek di tengah angka “7”. Pada awalnya, chip cerdas tidak mengenali simbol ini, tetapi setelah melatih dua atau tiga tulisan "7", chip tersebut dapat secara akurat mengenalinya sebagai angka "7".

Dalam situasi internasional yang kompleks dan terus berubah, terobosan teknologi yang “bottleneck” masih menjadi fokus saat ini.

Dihadapkan pada permasalahan praktis seperti kurangnya peralatan penelitian dan pengembangan yang canggih, anggota tim agak bingung apakah setiap langkah yang mereka ambil sudah benar, apakah hasilnya dapat memenuhi harapan, dan apakah teknologi dapat lebih dioptimalkan. Semua ini merupakan beban besar bagi semua orang.

Pertama, ada tantangan teknologi. Pengembangan chip memristor melibatkan pengetahuan mutakhir dari berbagai disiplin ilmu seperti ilmu material, fisika, dan teknik elektronik. Di antara banyak tantangan teknis, tantangan pertama yang harus diatasi adalah bagaimana mencapai integrasi perangkat memristif dalam skala besar. Melalui sejumlah besar eksperimen dan studi teoretis, tim mengusulkan metode ko-optimasi proses arsitektur-sirkuit, yang memberikan panduan untuk desain sistem terintegrasi penyimpanan dan komputasi.

Kedua, ada tantangan teknis. Dengan adanya proses integrasi skala besar dan desain sirkuit kritis, bagaimana kesalahan yang disebabkan oleh efek non-ideal multi-skala bottom-up dapat diatasi dan dirakit menjadi chip sistem yang efisien? Dengan upaya bersama dari tim guru dan siswa, arsitektur STELLAR diusulkan, optimalisasi algoritme dan eksperimen simulasi diselesaikan, dan chip pembelajaran terintegrasi penyimpanan dan komputasi yang sangat efisien dibuat, mencapai peningkatan yang signifikan dalam kecepatan dan efisiensi energi.

"Jalan yang dilalui memang sulit, namun memiliki arti yang luar biasa. Ini adalah medan perang yang penting dalam bidang teknologi tinggi global saat ini," Gao Bin yakin. Penelitian chip adalah proses yang panjang dan sulit, tanpa adanya terobosan nyata. Namun melalui penelitian dan pembelajaran yang terus menerus, diperoleh prestasi yang berharga.

Sebagai penulis makalah akademis pertama, Zhang Wenbin dan Yao Peng telah memperoleh pengetahuan luas di berbagai bidang penelitian seperti semikonduktor, mikroelektronika, algoritma perangkat lunak, dan komputasi neuromorfik selama studi doktoral mereka. Mereka telah mengumpulkan hasil penelitian dan pengembangan yang kaya serta pengalaman teknik yang berharga.

Dari tidak ada menjadi ada, dari kelemahan menjadi kekuatan. Dalam jalur penelitian ilmiah ini, yang tidak memiliki jalan pintas, para “pemuda chip” ini telah mengalami saat-saat menyerah yang tak terhitung jumlahnya setelah persiapan dan observasi, hanya untuk memulai kembali setelah banyak kemunduran, mengatasi tantangan demi tantangan.

Menatap masa depan, Wu Huaqiang berharap solusi dan teknologi tim dapat melampaui laboratorium dan secara efektif mendorong transformasi pencapaian penelitian ilmiah. Mereka berdedikasi untuk melayani kebutuhan negara dan masyarakat.