Technologia sprzętu AI naśladująca zmiany w topologii sieci neuronowej

Grupa badaczy z Korea Advanced Institute of Science and Technology (KAIST) zaproponowała nowy system inspirowany neuromodulacją mózgu, zwany „systemem przechowywania”. Ten nowo zaproponowany system wymaga mniejszego zużycia energii.

Zespołem kierował profesor Kyung Min Kim z Wydziału Nauki i Inżynierii Materiałów. Badania zostały opublikowane w Advanced Functional Materials i zostały wsparte przez KAIST, Narodową Fundację Badań Korei, Narodowe Centrum NanoFab oraz SK Hynix.

Naśladując topologię sieci neuronowej

Badacze opracowali technologię, która może wydajnie obsługiwać operacje matematyczne dla sztucznej inteligencji, naśladując zmiany w topologii sieci neuronowej w zależności od sytuacji. To było zainspirowane ludzkim mózgiem, który może zmieniać swoją topologię neuronową w czasie rzeczywistym, umożliwiając mu naukę, przechowywanie lub odtwarzanie wspomnień w razie potrzeby. (NRC )

Ten nowy rodzaj metody uczenia się AI bezpośrednio implementuje konfiguracje obwodów koordynacji neuronów.

Aby skutecznie wdrożyć AI w urządzeniach elektronicznych, ważne jest, aby rozwój sprzętu był wspierany. Jak się okazuje, większość urządzeń elektronicznych stworzonych dla AI wymaga dużego zużycia energii. Jeśli mają wykonywać duże zadania, potrzebują również wysoko zintegrowanych tablic pamięci. Te ograniczenia w zużyciu energii i integracji okazały się trudne do pokonania, więc badacze zaczęli głębiej zaglądać do ludzkiego mózgu, aby wiedzieć, jak rozwiązuje problemy.

Bardzo wydajna technologia

Zespół zademonstrował wydajność nowej technologii, tworząc sztuczny sprzęt sieci neuronowej z samoprostownym tablicą synaptyczną i algorytmem, określanym jako „system przechowywania”. Ten sprzęt został opracowany do prowadzenia uczenia się AI i był w stanie zmniejszyć energię o 37% w systemie przechowywania bez pogorszenia dokładności.

„W tym badaniu zaimplementowaliśmy metodę uczenia się ludzkiego mózgu za pomocą tylko prostej kompozycji obwodu i dzięki temu byliśmy w stanie zmniejszyć potrzebną energię o prawie 40 procent”, powiedział profesor Kim.

Jednym z ważnych aspektów tego nowego systemu przechowywania naśladującego aktywność mózgu jest to, że jest on kompatybilny z istniejącymi urządzeniami elektronicznymi i komercyjnym sprzętem półprzewodnikowym. System może odegrać dużą rolę w projektowaniu następnych pokoleń chipów półprzewodnikowych dla AI.