IBM报告以人脑为模式的模拟AI芯片

用于字符预测测量结果的 LSTM

深度神经网络正在产生生成 人工智能带来的许多令人兴奋的进展。但它们的架构依赖于虚拟减速带的配置，从而确保无法获得最大效率。

神经网络由单独的存储和处理单元构成，对两个组件之间的通信系统资源有着巨大的需求，这导致了速度变慢和效率降低。

IBM研究公司想出了一个更好的主意，它转向了一个完美的模型，以获得更高效的数字大脑的灵感：人脑。

在8月10日发表在《自然电子》杂志上的一篇题为《用于深度神经网络推理的基于相变存储器的64核混合信号内存计算芯片》的论文中，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，该芯片有望在人工智能项目中提高效率并减少电池消耗。

该研究的合著者之一、瑞士苏黎世IBM研究实验室的Thanos Vasilopoulos说：“人脑能够在消耗很少电力的情况下实现卓越的性能。”

IBM的混合信号芯片以类似于突触在大脑中相互作用的方式工作，具有64个模拟内存核心，每个核心都有一系列突触细胞单元。转换器可确保模拟和数字状态之间的平稳转换。

根据IBM的数据，这些芯片在CIFAR-10数据集上的准确率为92.81%，CIFAR-10是一种广泛使用的用于机器学习训练的图像集合。

Vasilopoulos说：“我们用ResNet和长短期记忆网络证明了接近软件等效的推理精度。ResNet，残差神经网络的缩写，是一种深度学习模型，可以在不影响性能的情况下在数千层神经网络上进行训练。

Vasilopoulos表示：“为了实现延迟和能耗的端到端改进，AIMC必须与片上数字操作和片上通信相结合。在这里，我们报道了一种采用14 nm互补金属-氧化物-半导体技术设计和制造的多核AIMC芯片，该芯片具有后端集成相变存储器。”

Vasilopoulos说：“随着性能的提高，可以在低功耗或电池受限的环境中执行更大、更复杂的工作负载。这将包括手机、汽车和相机。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。”

IBM表示，随着数字电路的未来改进，允许在本地存储器中进行层到层的激活传输和中间激活存储，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，完全实现模拟人工智能的承诺所需的许多组件，即高性能和节能的人工智能，都经过了硅验证。”

他在8月10日发表在《电气与电子工程》上的另一篇题为《模拟内存计算的成熟》的文章中对该芯片进行了技术概述。

他将该芯片称为“同类芯片中的第一个”，并将其描述为“一种基于后端集成相变存储器（PCM）的完全集成混合信号存储器计算芯片”，采用14nm互补金属氧化物半导体（CMOS）工艺。

他进一步定义了该项目，他说：“该芯片包括64个AIMC核心，每个核心都有一个256x256个单元的存储阵列。这些单元由四个PCM设备组成，总共超过1600万个设备。除了模拟存储阵列，每个核心还包含一个执行激活功能、累积和缩放操作的轻型数字处理单元。”