IBM报告模仿人脑的模拟人工智能芯片

LSTM为字符预测测量结果。信用:自然电子(2023).DOI: 10.1038/s41928-023-01010-1

深度神经网络正在产生许多源于生殖人工智能的令人兴奋的进展。但他们的架构依赖于一种虚拟减速带的配置，确保无法获得最大效率。

由单独的存储和处理单元构成，神经网络面临两个组件之间的通信对系统资源的大量需求，导致速度变慢和效率降低。

IBM Research想出了一个更好的主意，它求助于一个完美的模型来激发一个更高效的数字大脑人脑。

在一篇论文“64核混合信号内存计算芯片基于相变存储器对于深度神经网络推理”，发表在自然电子8月10日，IBM研究人员表示，他们为最先进的混合信号人工智能芯片应用了一种新方法，该芯片有望提高效率，减少人工智能项目中的电池消耗。

“人脑能够在消耗很少能量的情况下实现非凡的性能，”该研究的合著者之一，来自瑞士苏黎士IBM研究实验室的灭霸·瓦西洛普洛斯说。

IBM的混合信号芯片以类似于大脑中突触相互作用的方式运作，具有64个模拟内存核心，每个核心都拥有一系列突触细胞单元。转换器确保模拟和数字状态之间的平稳转换。

根据IBM的说法，这些芯片在CIFAR-10数据集上达到了92.81%的准确率，CIFAR-10数据集是一个广泛用于机器学习训练的图像集合。

“我们用ResNet和长短期记忆网络证明了接近软件等效的推理准确性，”Vasilopoulos说。ResNet是residual neural network的缩写，是一种深度学习模型，允许在神经网络的数千层上进行训练，而不会影响性能。

“为了实现端到端的延迟改进，以及能耗，AIMC必须与片上数字操作和片上通信相结合在这里，我们报告了一种采用14纳米互补金属氧化物半导体技术设计和制造的多核AIMC芯片，具有后端集成相变存储器。"

Vasilopoulos说，随着性能的提高，“大型和更复杂的工作负载可以在低功耗或电池受限的环境中执行。”这包括手机、汽车和照相机。

“此外，云提供商将能够使用这些芯片来降低能源成本和碳足迹，”他说。

IBM表示，随着未来数字电路的改进，允许层间激活传输和本地存储器中的中间激活存储，将允许在这些芯片上执行完全流水线化的端到端推理工作负载。

Vasilopoulos在他的个人博客上讨论了IBM的最新成就，他说:“通过这项工作，许多需要完全实现模拟人工智能承诺的组件，对于高性能和高能效的人工智能来说，已经通过了硅验证。”

他在另一篇题为“模拟内存计算时代的到来”的文章中提供了该芯片的技术概述电气和电子工程8月10日。

他将该芯片称为“同类产品中的第一款”，并将其描述为“基于后端集成相变存储器(PCM)的14纳米互补金属氧化物半导体(CMOS)工艺的完全集成的混合信号内存计算芯片。”

他进一步定义了这个项目，“芯片由64个AIMC核心组成，每个核心都有一个256x256单位单元的存储阵列。单位单元由四个PCM设备构成，总共超过16M个设备。除了模拟存储器阵列，每个内核还包含一个轻型数字处理单元，用于执行激活功能、累加和缩放操作。”