研究者はこのチップを使用して、100％の精度で数値を決定できる単純なニューラルネットワークをテストしました。
2018年12月の初めに、サンフランシスコで開催されたIEEE International Electron Devices Meetingで、 IBMは新しい8ビットアナログチップを披露しました。 ただし、主な革新は、アナログチップがデジタルチップに追いつくことではなく、アーキテクチャを根本的に見直すことでした。 このチップは、情報が保存されている同じ場所で8ビットコンピューティングを実行した最初のチップです。
従来のフォンノイマンコンピューターアーキテクチャでは、メモリとプロセッサーの間でデータが絶えず転送され、貴重なエネルギーと時間を大量に消費します、とIMBチューリッヒのこの研究の主任研究員であるアブセバスチャンは言います。 メモリでのカウントは、エネルギー消費を減らして速度を上げるための次の論理的なステップです。 そして、これは、機器が人工知能の分野の進歩に対応するために必要です。
IBMの新しいアナログチップは、 相変化メモリに基づいています 。 その主要な成分は、電流に応答して相を変化させることができる材料です。 通常、これらはゲルマニウム、テルル、アンチモンの合金であり、伝導している相の1つでは、原子が均等に並んでいます。 電流を伝導しない別のフェーズでは、原子が移動し、電流によって加熱され、混合します。
2つの電極間にある位相を変化させる物質は、秩序状態とカオス状態を完全に切り替えません。これは、ゼロと単一の間の切り替えに対応します。 代わりに、各時点で両方の状態が混在しています。 材料の全抵抗は、原子が混在するサイトのサイズによって決まります。
「原子の配列によって情報をエンコードします」とセバスチャンは言います。 たとえば、ニューラルネットワークの重みは、可変位相デバイスの抵抗として保存およびアクセスできます。
ただし、これらの抵抗は変動し、振動します。 情報を読み取りながら電流が材料に流れるため、混合セクションは毎回わずかに変化します。これにより、そのようなデバイスの精度と実用性が制限されました。
この問題を回避するために、IBMの研究者は、いわゆる状態変化を伴うデバイスに導入しました。 投影セグメント。 2015年に最初に使用することが提案され 、同じチームがそれを行いました。 これは金属窒化物の導電層であり、相変化材料の中心に巻き付けられ、電極間を電極と平行に走ります。 情報の読み取りと書き込みのプロセスを共有します。
投影セグメントは、記録時には何もしません。 すべての電流が相変化材料を通過し、混合セクションを調整します。 しかし、情報が読み取られると、電流は混合セグメントをバイパスして投影セグメントを通過し、それらはそのまま残り、そこに保存された情報を保護します。 「これは重要な技術革新です」とセバスチャンは言います。
研究者は、1、0、4の数字の画像を認識するために、30個の位相変化デバイスで構成される8ビットチップ上の単一層ネットワークをテストし、100％の精度を達成しました。 また、これはまだ予備的な分析ですが、セバスチャンは、このようなブレークスルーにより、従来のコンピューターシステムと比較して、将来のデバイスのエネルギー消費を100〜1000倍削減できると推定しています。
従来のコンピューティングでは、精度が重視され、人工知能の分野では逆の傾向が観察されました。 IBMは、8ビットで動作し、ニューラルネットワークのトレーニング時に精度を維持するデジタルチップについても話しました。 これにより、モデルは人間の脳の働きに近づき、情報のない正しい結論を導き出すことができます。
IBMの研究担当副社長であるJeff Welserは 、これを、ぼやけた窓から覗き込んで、家に近づく人のぼやけたシルエットを見る状況と比較します。 「母親であることを理解したら、画像の精度は問題ではなくなります」とWelzer氏は言います。 「正しい情報が得られます。」