Idealmente, Las tecnologías de IA de próxima generación deben comprender todas nuestras solicitudes y comandos, extrayéndolos de un gran trasfondo de información irrelevante, con el fin de proporcionar rápidamente respuestas y soluciones relevantes a nuestras necesidades diarias. Hacer que estas tecnologías de inteligencia artificial "inteligentes" sean omnipresentes, en nuestros teléfonos inteligentes, Nuestros hogares, y nuestros automóviles, requerirán hardware de inteligencia artificial de bajo consumo, que en IBM Research planeamos construir alrededor de dispositivos de memoria analógicos novedosos y altamente capaces.

En un artículo reciente publicado en Revista de física aplicada , Nuestro equipo de IBM Research AI estableció un conjunto detallado de pautas que los dispositivos de memoria analógica a nanoescala emergentes deberán cumplir para habilitar tales aceleradores de hardware de inteligencia artificial de bajo consumo.

Anteriormente habíamos mostrado, en un Naturaleza artículo publicado en junio de 2018, que entrenar una red neuronal usando computación altamente paralela dentro de matrices densas de dispositivos de memoria, como la memoria de cambio de fase, es más rápido y consume menos energía que usar una unidad de procesamiento de gráficos (GPU).

La ventaja de nuestro enfoque proviene de implementar cada peso de red neuronal con varios dispositivos, cada uno sirviendo en un papel diferente. Algunos dispositivos tienen principalmente la tarea de memorizar información a largo plazo. Otros dispositivos se actualizan muy rápidamente, cambiando como imágenes de entrenamiento (como imágenes de árboles, gatos buques, etc.) se muestran, y luego, ocasionalmente, transferir su aprendizaje a los dispositivos de información a largo plazo. Aunque introdujimos este concepto en nuestro artículo de Nature utilizando dispositivos existentes (memoria de cambio de fase y condensadores convencionales), pensamos que debería haber una oportunidad para que los nuevos dispositivos de memoria funcionen aún mejor, si pudiéramos identificar los requisitos para estos dispositivos.

En nuestro documento de seguimiento, recién publicado en Revista de física aplicada , pudimos cuantificar las propiedades del dispositivo que estos dispositivos de "información a largo plazo" y "actualización rápida" necesitarían exhibir. Debido a que nuestro esquema divide las tareas en dos categorías de dispositivos, Estos requisitos de dispositivos son mucho menos estrictos y, por lo tanto, mucho más alcanzables que antes. Nuestro trabajo proporciona un camino claro para que los científicos de materiales desarrollen dispositivos novedosos para aceleradores de hardware de IA energéticamente eficientes basados ​​en memoria analógica.

Esta historia se vuelve a publicar por cortesía de IBM Research. Lea la historia original aquí.