Weebit Nano lança programa de pesquisa Matrix ReRAM para computação de IA na memória

Weebit Nano lançou o Programa de Pesquisa de Computação na Memória Weebit Matrix, que dá a pesquisadores da academia e da indústria acesso a hardware ReRAM para testar uma maneira diferente de executar cálculos de IA: realizá-los onde os dados são armazenados.

O programa oferece kits de pesquisa baseados em uma matriz crossbar de 32 × 32, com suporte a operações como multiplicação de vetores por matrizes, convolução e redes neurais pulsadas. A iniciativa aborda uma questão importante de hardware para a IA de borda: quanto tempo e energia podem ser economizados ao reduzir as transferências repetidas entre a memória e um processador separado?

Este é o lançamento de uma plataforma de pesquisa, não de um acelerador comercial de IA pronto. A Weebit afirma que ainda há desafios técnicos a superar antes que uma solução de computação na memória chegue ao mercado comercial. O objetivo imediato é permitir que pesquisadores passem de modelos e simulações a experimentos com hardware ReRAM real.

Por que calcular dentro da memória?

A inferência de redes neurais combina repetidamente entradas com pesos de modelos armazenados. Em uma arquitetura convencional, mover esses valores pela hierarquia de memória pode consumir largura de banda e energia. A computação na memória, ou IMC, busca realizar parte desse trabalho dentro da própria matriz de memória.

Memória de acesso aleatório resistiva, ou ReRAM, armazena informações usando resistência elétrica programável. As células à base de óxido da Weebit contêm uma camada de comutação entre eletrodos; as tensões aplicadas alteram o caminho condutor e, portanto, a resistência da célula. O estado armazenado persiste sem alimentação contínua, o que torna a ReRAM não volátil.

Na pesquisa em computação analógica, essas propriedades elétricas podem servir para mais do que armazenar bits. Uma matriz pode codificar pesos em suas células de memória e usar as respostas elétricas resultantes para participar de cálculos. Isso conecta o comportamento físico da memória às operações de multiplicação e acumulação usadas em toda a extensão das redes neurais.

O objetivo é especialmente relevante para dispositivos com orçamentos restritos de energia e capacidade térmica, como sensores, equipamentos industriais e outros sistemas de borda. Isso não significa que todas as partes de um modelo de IA sejam executadas dentro da matriz nem que a movimentação de dados desapareça do sistema como um todo.

O que os kits de pesquisa Matrix incluem

Inicialmente, a Weebit oferece dois pacotes:

• Pacote de avaliação Matrix IMC: uma placa de avaliação com acesso direto, destinada a pesquisadores que desejam ter acesso mais próximo ao hardware.
• Pacote de início rápido Matrix IMC: uma placa IMC completa, um subsistema FPGA e código de exemplo.

Ambos incluem amostras de chips em encapsulamento, documentação e uma placa IMC com soquete. A matriz crossbar de 32 × 32 oferece uma plataforma controlada para investigar métodos de programação, algoritmos de IA e arquiteturas neuromórficas, incluindo redes neurais pulsadas.

O subsistema FPGA incluído na opção de início rápido oferece aos pesquisadores hardware digital programável junto à matriz de memória. Isso é útil para explorar sistemas híbridos, nos quais operações baseadas em memória trabalham em conjunto com o processamento convencional, em vez de tentar substituir todo um fluxo de computação.

Os participantes compartilharão com a Weebit resultados e comentários relacionados à ReRAM. A empresa afirma que essa colaboração tem o objetivo de aprimorar a tecnologia e contribuir para o esforço de pesquisa mais amplo. O anúncio não informa os preços dos kits, o número de projetos aceitos nem uma data de entrega de um acelerador comercial.

Contextualizando a alegação de redução de 80× no consumo de energia

Um resumo da pesquisa vinculado fornece detalhes importantes sobre as alegações de desempenho da Weebit. Uma empresa dos EUA não identificada, que trabalha com hardware de IA tolerante à radiação, avaliou uma arquitetura IMC em uma tarefa de classificação de imagens usando uma rede neural convolucional personalizada.

A comparação usou uma GPU NVIDIA GeForce RTX 4090 e uma plataforma FPGA Xilinx ZCU104. Os resultados da IMC no nível do sistema foram projetados por meio de modelagem de aplicações baseada em medições de uma matriz ReRAM da Weebit.

Para essa carga de trabalho, a análise projetou um consumo de energia aproximadamente 80 vezes menor que o da implementação com GPU e 13 vezes menor que o da implementação com FPGA. O comunicado de lançamento descreve, separadamente, uma redução de latência de quase 100 vezes. Essas projeções são específicas para a carga de trabalho e não correspondem a medições validadas de forma independente que demonstrem que um acelerador Matrix comercial completo supera GPUs em diversas tarefas de IA.

Essa distinção é central para o programa de pesquisa. Um resultado promissor no nível da matriz precisa se traduzir em um sistema completo que preserve a precisão do modelo e, ao mesmo tempo, leve em conta o controle, a conversão de dados, as comunicações e outras operações de suporte. Essas funções adicionais também consomem energia e aumentam a latência.

Experimentos com hardware podem revelar o que as simulações não mostram

O CEO da Weebit, Coby Hanoch, destaca a colaboração anterior com o CEA-Leti, incluindo uma demonstração de rede neural pulsada baseada em ReRAM em 2019. O Matrix dá continuidade a essa linha de pesquisa ao disponibilizar uma plataforma de hardware definida para outros pesquisadores qualificados.

O pesquisador em computação neuromórfica Kevin D. Johnson, cujo trabalho inclui computação heterogênea e neuromórfica, disse que pretende usar a plataforma para validar modelos em hardware real e avaliar a precisão, a latência e o consumo de energia em nível de sistema. Seus interesses incluem combinar ReRAM com outras tecnologias de processamento.

Essa abordagem reflete a oportunidade prática: identificar quais partes de uma carga de trabalho se beneficiam da computação baseada em memória e, em seguida, combiná-las com outros hardwares quando apropriado. A questão de pesquisa vai além de saber se uma operação individual é eficiente; inclui também verificar se o sistema resultante oferece desempenho útil e reproduzível nas aplicações.

A Weebit também destaca a tolerância à radiação como motivo para investigar a ReRAM em ambientes extremos. A adequação a uma aplicação específica nos setores aeroespacial, de defesa ou médico ainda dependeria dos requisitos e da validação do projeto completo.

Demonstrações e acesso à pesquisa

A Weebit planeja demonstrar o Matrix IMC na electronica 2026, que acontecerá de 10 a 13 de novembro em Munique. A empresa informa que estará no pavilhão C2, estande 637, e disponibiliza detalhes sobre as demonstrações e reuniões em sua página do evento.

Os kits estão disponíveis para pesquisadores qualificados, e as candidaturas serão avaliadas de acordo com sua adequação ao foco de pesquisa do programa. A Weebit disponibiliza um formulário de candidatura para projetos de pesquisa aos interessados em participar.

A contribuição imediata do Matrix é dar acesso a um hardware capaz de testar as premissas por trás da IA em memória. Em um campo voltado a reduzir o custo da movimentação de dados, as evidências mais valiosas mostrarão como a precisão, o consumo de energia e a latência medidos se comportam em conjunto quando pesquisadores executam cargas de trabalho reais.