تراشه Neuromorphic NeuRRAM برای هوش مصنوعی توسعه یافته، محاسبات درون حافظه را بدون اتصال به شبکه انجام می دهد: جزئیات

دانشمندان یک تراشه نورومورفیک برای اجرای برنامه های کاربردی هوش مصنوعی ساخته اند که می تواند محاسبات را مستقیماً در حافظه بدون نیاز به اتصال به شبکه ابری انجام دهد. علاوه بر این، این تراشه مقدار کمی انرژی مصرف می کند که باعث می شود نسبت به سایر تراشه ها کارآمدتر باشد. انتظار می‌رود این کشف، هوش مصنوعی را در طیف وسیعی از دستگاه‌های پایانی مورد استفاده قرار دهد، جایی که می‌تواند چندین کار پیچیده را بدون تکیه بر یک سرور متمرکز انجام دهد.

ثابت شده است که تراشه NeuRRAM نسبت به تراشه‌های محاسباتی درون حافظه کارآمدتر است و همچنین می‌تواند نتایجی به دقت تراشه‌های معمولی ارائه دهد. با این کار، تراشه می تواند در کارهایی مانند تشخیص و بازسازی تصویر و تشخیص صدا کاربرد داشته باشد.

محاسبات هوش مصنوعی به قدرت و قابلیت های محاسباتی نیاز دارد. اکثر برنامه های کاربردی هوش مصنوعی در دستگاه های لبه نیاز به انتقال داده ها از دستگاه به ابری دارند که در آن پردازش می شود. سپس داده ها به دستگاه منتقل می شوند. این به این دلیل است که اکثر دستگاه‌های جانبی از باتری تغذیه می‌کنند و قدرت محدودی دارند که برای محاسبات استفاده می‌کنند.

تراشه NeuRRAM که توسط مهندسان دانشگاه کالیفرنیا توسعه یافته است، مصرف انرژی را کاهش می دهد و دستگاه های نهایی را هوشمندتر، قوی تر و مقرون به صرفه تر می کند. علاوه بر این، امنیت داده ها را نیز بهبود می بخشد، زیرا انتقال داده ها از دستگاه به ابر مستلزم برخی خطرات حفظ حریم خصوصی داده ها است.

فرآیند انتقال داده ها یک کار دست و پا گیر در نظر گرفته می شود. وایر وان، دانشجوی دکترای دانشگاه استنفورد که بر روی تراشه در UC San Diego کار می کرد، توضیح داد: «این معادل یک رفت و آمد هشت ساعته برای یک روز کاری دو ساعته است. او همچنین یکی از نویسندگان این مطالعه است که در Nature منتشر شده است.

این تیم از نوعی حافظه غیر فرار به نام حافظه دسترسی تصادفی مقاومتی استفاده کردند که امکان محاسبات درون حافظه را بدون نیاز به دستگاه محاسباتی جداگانه فراهم می‌کند. اگرچه محاسبات درون حافظه روش جدیدی نیست، تراشه NeuRRAM متفاوت است زیرا با حفظ دقت یکسان، کارایی و انعطاف پذیری زیادی را برای برنامه های مختلف هوش مصنوعی ارائه می دهد.

محققان با انجام کارهای مختلف بر روی این تراشه قابلیت های آن را به نمایش گذاشتند و شاهد نتایج چشمگیری بودند که با تراشه های دیجیتال موجود قابل مقایسه بود.