Weebit Nano Meluncurkan Program Riset ReRAM Matrix untuk Komputasi AI Dalam Memori

Weebit Nano telah meluncurkan Program Riset Komputasi Dalam Memori Weebit Matrix, yang memberi peneliti akademis dan industri akses ke perangkat keras ReRAM untuk menguji cara berbeda dalam menjalankan perhitungan AI: melakukannya di tempat data disimpan.

Program ini menyediakan perangkat riset yang menggunakan larik crossbar 32 × 32, dengan dukungan untuk operasi seperti perkalian vektor-matriks, konvolusi, dan jaringan saraf spiking. Program ini menyasar pertanyaan penting tentang perangkat keras untuk AI tepi: berapa banyak energi dan waktu yang dapat dihemat dengan mengurangi transfer berulang antara memori dan prosesor terpisah?

Ini adalah peluncuran platform riset, bukan akselerator AI komersial yang sudah jadi. Weebit menyatakan bahwa masih ada tantangan teknis yang harus diatasi sebelum solusi komputasi dalam memori dapat memasuki pasar komersial. Tujuan langsungnya adalah memungkinkan peneliti beralih dari model dan simulasi ke eksperimen dengan perangkat keras ReRAM sungguhan.

Mengapa Menghitung di Dalam Memori?

Inferensi jaringan saraf berulang kali menggabungkan masukan dengan bobot model yang tersimpan. Dalam arsitektur konvensional, pemindahan nilai-nilai tersebut melalui hierarki memori dapat menghabiskan bandwidth dan energi. Komputasi dalam memori, atau IMC, bertujuan melakukan sebagian pekerjaan itu langsung di dalam larik memori.

Memori akses-acak resistif, atau ReRAM, menyimpan informasi dengan menggunakan resistansi listrik yang dapat diprogram. Sel berbasis oksida milik Weebit memiliki lapisan pengalih di antara elektroda; tegangan yang diberikan mengubah jalur konduktif dan, karenanya, resistansi sel. Status yang tersimpan tetap bertahan tanpa daya terus-menerus, sehingga ReRAM bersifat nonvolatil.

Dalam riset komputasi analog, sifat-sifat listrik tersebut dapat dimanfaatkan lebih dari sekadar menyimpan bit. Sebuah larik dapat mengodekan bobot di dalam sel memorinya dan menggunakan respons listrik yang dihasilkan untuk turut melakukan perhitungan. Dengan demikian, perilaku fisik memori terhubung dengan operasi perkalian dan akumulasi yang digunakan di seluruh jaringan saraf.

Tujuan ini sangat relevan bagi perangkat dengan batasan daya dan termal yang ketat, termasuk sensor, peralatan industri, dan sistem tepi lainnya. Ini bukan berarti bahwa setiap bagian model AI berjalan di dalam larik atau bahwa pemindahan data tidak lagi terjadi dalam keseluruhan sistem.

Isi Perangkat Riset Matrix

Pada tahap awal, Weebit menawarkan dua paket:

• Paket Evaluasi Matrix IMC: papan evaluasi dengan akses langsung bagi peneliti yang menginginkan akses lebih dekat ke perangkat keras.
• Paket Mulai Cepat Matrix IMC: papan IMC lengkap, subsistem FPGA, dan kode contoh.

Keduanya mencakup sampel cip dalam kemasan, dokumentasi, dan papan IMC dengan soket. Crossbar 32 × 32 menyediakan platform terkontrol untuk meneliti metode pemrograman, algoritme AI, dan arsitektur neuromorfik, termasuk jaringan saraf spiking.

Subsistem FPGA dalam opsi mulai cepat menyediakan perangkat keras digital yang dapat diprogram bagi peneliti, selain larik memori. Fitur ini berguna untuk mengeksplorasi sistem hibrida, yang menggabungkan operasi berbasis memori dengan pemrosesan konvensional, alih-alih berupaya mengganti seluruh alur komputasi.

Para peserta akan berbagi hasil terkait ReRAM dan masukan dengan Weebit. Perusahaan menyatakan bahwa kolaborasi ini dimaksudkan untuk meningkatkan teknologi tersebut dan mendukung upaya riset yang lebih luas. Pengumuman itu tidak mengungkapkan harga perangkat, jumlah proyek yang diterima, ataupun tanggal pengiriman akselerator komersial.

Memahami Klaim Daya 80×

Ringkasan riset yang ditautkan memberikan perincian penting di balik klaim kinerja Weebit. Sebuah perusahaan AS yang tidak disebutkan namanya dan mengembangkan perangkat keras AI tahan radiasi mengevaluasi arsitektur IMC untuk tugas klasifikasi gambar dengan menggunakan jaringan saraf konvolusional khusus.

Perbandingan tersebut menggunakan GPU NVIDIA GeForce RTX 4090 dan platform FPGA Xilinx ZCU104. Hasil tingkat sistem IMC diproyeksikan melalui pemodelan aplikasi berdasarkan pengukuran dari larik ReRAM Weebit.

Untuk beban kerja tersebut, analisis memproyeksikan konsumsi daya sekitar 80 kali lebih rendah daripada implementasi GPU dan 13 kali lebih rendah daripada implementasi FPGA. Rilis peluncuran itu secara terpisah menyebutkan pengurangan latensi hampir 100 kali lipat. Angka-angka ini merupakan proyeksi khusus untuk beban kerja tersebut, bukan hasil pengukuran independen yang membuktikan bahwa akselerator Matrix komersial lengkap mengungguli GPU dalam berbagai tugas AI.

Perbedaan itu merupakan hal mendasar bagi program riset ini. Hasil yang baik pada tingkat larik harus dapat diterapkan pada sistem lengkap yang mempertahankan akurasi model sekaligus memperhitungkan kendali, konversi data, komunikasi, dan operasi pendukung lainnya. Fungsi-fungsi pendukung tersebut juga mengonsumsi energi dan menambah latensi.

Eksperimen Perangkat Keras Dapat Mengungkap Hal yang Luput dari Simulasi

CEO Weebit Coby Hanoch merujuk pada kolaborasi sebelumnya dengan CEA-Leti, termasuk demonstrasi jaringan saraf spiking berbasis ReRAM pada 2019. Matrix memperluas arah riset tersebut dengan menyediakan platform perangkat keras yang terdefinisi bagi lebih banyak peneliti yang memenuhi syarat.

Peneliti neuromorfik Kevin D. Johnson, yang penelitiannya mencakup komputasi heterogen dan neuromorfik, mengatakan bahwa ia ingin menggunakan platform ini untuk memvalidasi model dengan perangkat keras nyata serta menilai akurasi, latensi, dan konsumsi daya pada tingkat sistem. Ia juga tertarik menggabungkan ReRAM dengan teknologi pemrosesan lainnya.

Pendekatan ini mencerminkan peluang praktis: mengidentifikasi bagian mana dari beban kerja yang mendapat manfaat dari komputasi berbasis memori, lalu menggabungkannya dengan perangkat keras lain jika sesuai. Pertanyaan penelitiannya lebih luas daripada sekadar apakah suatu operasi efisien; pertanyaan itu juga mencakup apakah sistem yang dihasilkan mampu memberikan kinerja aplikasi yang bermanfaat dan konsisten.

Weebit juga menyoroti ketahanan terhadap radiasi sebagai alasan untuk meneliti ReRAM bagi lingkungan ekstrem. Kesesuaiannya untuk penerapan tertentu di bidang kedirgantaraan, pertahanan, atau medis tetap bergantung pada persyaratan dan validasi rancangan secara menyeluruh.

Demonstrasi dan Akses Penelitian

Weebit berencana mendemonstrasikan Matrix IMC di electronica 2026, yang berlangsung pada 10–13 November di Munich. Perusahaan mencantumkan Hall C2, stan 637, serta informasi demonstrasi dan pertemuan di halaman acaranya.

Paket-paket tersebut tersedia bagi peneliti yang memenuhi kualifikasi, dan permohonan akan dievaluasi berdasarkan kesesuaiannya dengan fokus penelitian program. Weebit menyediakan formulir pengajuan proyek penelitian bagi calon peserta.

Kontribusi langsung Matrix adalah menyediakan akses ke perangkat keras yang dapat menguji asumsi di balik AI dalam memori. Dalam bidang yang berfokus pada pengurangan biaya pemindahan data, bukti yang berharga adalah sejauh mana akurasi terukur, penggunaan energi, dan latensi tetap terjaga secara bersamaan saat peneliti menjalankan beban kerja nyata.