Per lo stesso compito, il consumo energetico di questo chip per l'apprendimento su chip è solo il 3% di quello del sistema ASIC (Advanced Process-Specific Integrated Circuit).

Attualmente, l’intelligenza artificiale generativa ha innescato una nuova ondata di sviluppo nel settore dell’intelligenza artificiale. Le tecnologie di intelligenza artificiale supportate da una grande potenza di calcolo stanno cambiando notevolmente il modo in cui gli esseri umani vivono e lavorano. Tuttavia, l’enorme numero di parametri richiesti per i modelli di intelligenza artificiale ha portato a una crescente domanda di potenza di calcolo, rendendo imperativo trovare soluzioni per colmare l’enorme divario informatico e ottenere miglioramenti significativi nell’efficienza energetica. I chip ad alte prestazioni ed efficienza energetica sono diventati i vettori specifici della potenza di calcolo e la base fondamentale che guida lo sviluppo di questa ondata di rivoluzione intelligente, nonché la forza trainante del continuo sviluppo della società umana.

Per affrontare le principali sfide affrontate dalle tradizionali architetture di separazione storage-calcolo che limitano la potenza di calcolo, il professor Wu Huaqiang e il professore associato Gao Bin della Scuola di circuiti integrati dell'Università di Tsinghua si sono concentrati sulla ricerca sulla tecnologia integrata di storage-calcolo con resistori di memoria e hanno esplorato un nuovo paradigma per i sistemi informatici.

La tecnologia integrata di storage-calcolo del resistore di memoria ha rivoluzionato la tradizionale architettura di calcolo di von Neumann dagli aspetti del dispositivo, del circuito e del calcolo teorico, ottenendo un balzo in avanti nella potenza di calcolo e nell'efficienza energetica. Questa tecnologia può anche utilizzare le caratteristiche di apprendimento dei dispositivi sottostanti per supportare l’apprendimento su chip in tempo reale, consentendo nuovi scenari di formazione all’avanguardia basata sull’apprendimento locale. Attualmente, la ricerca correlata a livello internazionale si concentra principalmente sulle dimostrazioni delle funzioni di apprendimento a livello di array di resistori di memoria. Tuttavia, la realizzazione di chip di resistori di memoria integrati a livello globale che supportino un efficiente apprendimento su chip deve ancora affrontare sfide significative, principalmente a causa della scarsa compatibilità tra il metodo di aggiornamento del peso ad alta precisione richiesto dal tradizionale algoritmo di backpropagation e le caratteristiche effettive dei resistori di memoria.

Per risolvere i problemi di cui sopra, il professor Wu Huaqiang e il professore associato Gao Bin, basandosi sul paradigma di calcolo integrato del calcolo di archiviazione, hanno sviluppato il primo chip integrato di calcolo dello storage con resistenza di memoria integrato a livello globale che supporta un efficiente apprendimento su chip (l'apprendimento automatico può essere direttamente completato alla fine dell'hardware). Hanno compiuto progressi significativi nel campo dei chip integrati per l'elaborazione e l'archiviazione dei resistori di memoria che supportano l'apprendimento su chip, che dovrebbe promuovere lo sviluppo dell'intelligenza artificiale, della guida autonoma e dei dispositivi indossabili. I risultati rilevanti sono stati pubblicati online nell'ultimo numero di Science.

È stato riferito che questo chip raggiunge un consumo energetico per l'apprendimento su chip che è solo 1/35 di quello del sistema ASIC (Advanced Process-Specific Integrated Circuit), mentre si prevede anche un miglioramento di 75 volte nell'efficienza energetica.

Algoritmi e architetture universali basati sull'integrazione di storage e calcolo del resistore di memoria per un efficiente apprendimento su chip.

Edge learning utilizzando chip resistori di memoria neuromorfica

Dimostrazione di apprendimento incrementale per il controllo automatico del tracciamento di un'auto di piccole dimensioni

Per lo stesso compito, il consumo energetico dell'apprendimento su chip ottenuto da questo chip è solo il 3% di quello di un sistema ASIC specializzato con tecnologia avanzata, dimostrando eccezionali vantaggi in termini di efficienza energetica e un grande potenziale per soddisfare le elevate esigenze di potenza di calcolo dell'intelligenza artificiale. era. Ciò fornisce un percorso di sviluppo innovativo per superare il collo di bottiglia dell’efficienza energetica nell’ambito della tradizionale architettura informatica di von Neumann.

"L'apprendimento su chip dell'integrazione di archiviazione e calcolo può proteggere efficacemente la privacy e i dati degli utenti, ottenendo allo stesso tempo una latenza inferiore e un consumo energetico inferiore", ha spiegato il dottor Yao Peng, un ricercatore post-dottorato. Facendo riferimento ai metodi di elaborazione del cervello biomimetico, questo chip può ottenere un rapido "addestramento su chip" e "riconoscimento su chip" per diversi compiti, eseguendo in modo efficace attività di apprendimento incrementale in scenari di edge computing con basso consumo energetico per adattarsi a nuove situazioni e apprenderne di nuove conoscenza, soddisfacendo le esigenze personalizzate degli utenti.

Ad esempio, alcune persone sono abituate ad aggiungere un breve trattino al centro del numero "7". Inizialmente il chip intelligente non riconosce questo simbolo, ma dopo essersi addestrato su due o tre "7" scritti, può riconoscerlo con precisione come il numero "7".

Nella situazione internazionale complessa e in continua evoluzione, l’obiettivo attuale è quello di superare i “colli di bottiglia” tecnologici.

Di fronte a problemi pratici come la carenza di attrezzature avanzate per la ricerca e lo sviluppo, i membri del team non sanno se ogni passo che intraprendono sia corretto, se i risultati possano soddisfare le aspettative e se la tecnologia possa essere ulteriormente ottimizzata. Tutti questi sono oneri enormi per tutti.

Innanzitutto ci sono le sfide tecnologiche. Lo sviluppo di chip memristor coinvolge conoscenze all'avanguardia provenienti da molteplici discipline come la scienza dei materiali, la fisica e l'ingegneria elettronica. Tra le molte sfide tecniche, la prima da affrontare è come ottenere l'integrazione su larga scala dei dispositivi memristici. Attraverso un gran numero di esperimenti e studi teorici, il team ha proposto un metodo di co-ottimizzazione architettura-circuito-processo, che ha fornito indicazioni per la progettazione di un sistema integrato di archiviazione e calcolo.

In secondo luogo, ci sono sfide ingegneristiche. Con il processo di integrazione su larga scala e la progettazione di circuiti critici in atto, come è possibile superare gli errori causati da effetti non ideali multiscala dal basso verso l'alto e assemblarli in un chip di sistema efficiente? Con gli sforzi congiunti degli insegnanti e degli studenti del team, è stata proposta l'architettura STELLAR, sono stati completati esperimenti di ottimizzazione e simulazione dell'algoritmo ed è stato fabbricato un chip di apprendimento integrato di archiviazione e calcolo altamente efficiente, ottenendo un miglioramento significativo in termini di velocità ed efficienza energetica.

"La strada è difficile, ma ha un significato straordinario. È un importante campo di battaglia nell'attuale campo dell'alta tecnologia globale", ritiene Gao Bin. La ricerca sui chip è un processo lungo e arduo, senza alcuna svolta apparente in vista. Tuttavia, attraverso la ricerca e l’apprendimento continui, si ottengono risultati preziosi.

Come primi autori di articoli accademici, Zhang Wenbin e Yao Peng hanno acquisito una vasta conoscenza in vari campi di ricerca come semiconduttori, microelettronica, algoritmi software e calcolo neuromorfico durante i loro studi di dottorato. Hanno accumulato ricchi risultati di ricerca e sviluppo e preziosa esperienza ingegneristica.

Dal nulla a qualcosa, dalla debolezza alla forza. In questo percorso di ricerca scientifica, che non ha scorciatoie, questi "giovani chip" hanno vissuto innumerevoli momenti di abbandono dopo la preparazione e l'osservazione, per poi ricominciare dopo numerosi insuccessi, superando una sfida dopo l'altra.

Guardando al futuro, Wu Huaqiang spera che le soluzioni e le tecnologie del team possano andare oltre il laboratorio e promuovere efficacemente la trasformazione dei risultati della ricerca scientifica. Si dedicano a servire i bisogni del paese e della società.