Er ‘Memristorer’ nøkkelen til AI som etterligner den menneskelige hjernen?

Den menneskelige hjernen er den mest komplekse og kraftfulle datamaskinen mennesket noen gang har kjent. Dette naturunderverket kan samtidig behandle millioner av datapunkter og sanseinntrykk i sanntid. Selv om datamaskiner nå kan overgå hjernens evner når det gjelder regnekraft, er det fortsatt områder de mangler i. Et nylig gjennombrudd innen memristorer kan inneholde nøkkelen til å låse opp nevrale nettverksberegninger, og åpne døren for smartere, raskere kunstige intelligenssystemer i fremtiden.

Nåværende chipdesign

Dagens von Neumann‑datamaskinarkitektur plasserer prosessering og minne på to separate steder. Opprinnelig ga denne oppsettet mening, da datamaskiner ikke krevde den enorme mengden datainnhenting som finnes i dag. Imidlertid behandler avanserte AI‑systemer milliarder av datapunkter i sanntid. Derfor teller hver millisekund, inkludert tiden og energien som kreves for å hente og behandle minne fra to separate steder.

Problemer med nåværende chipdesign

Den nåværende chipdesignen er for treg til å holde tritt med de økende kravene fra AI‑samfunnet. En bedre løsning for beregningstunge protokoller som AI‑systemer er å plassere minne og prosessering på en enkelt chip. For å oppnå dette vendte ingeniører seg mot en teknologi fra 1970‑tallet, memristorer.

Memristorer

Konseptet med memristorer oppsto i 1971 etter en artikkel publisert av Leon Chua. Memristorer fungerer ved bruk av varierende strømmer. Endring av retning og mengde strøm gjør at disse enhetene kan lagre data. Deres kompakte størrelse og evne til å lagre og behandle data gir dem ideell ytelse for dagens avanserte AI‑systemer.

Problemer med memristorteknologi i dag

Hovedproblemet med dagens memristorteknologi som brukes i datamaskiner er at de ennå ikke kan konkurrere med andre systemer. Disse eksperimentelle chipdesignene gir ofte lavere beregningskraft, tvilsom pålitelighet, og mangler holdbarheten til deres dual‑chip‑motparter. Heldigvis er alt dette i ferd med å endre seg.

Nevromorfisk databehandling

Memristorer er en avgjørende komponent i den nevromorfe databehandlingsbevegelsen. Denne dataklassen søker å etterligne de nevrale nettverkene i hjernen din. Disse systemene kan beregne, behandle og lagre data på ett sted. De kan også lære, korrigere og tilpasse seg nye scenarier, akkurat som menneskelige hjerner fungerer. Denne evnen, kombinert med den nye inkluderende chipdesignen, muliggjør en ny æra innen beregningskraft.

Studie av memristor‑chip

Studien «Selvstyrt videobehandling med selvkalibrering på en analog dataplattform basert på en selector‑fri memristor‑matrise»¹ ble publisert i det vitenskapelige tidsskriftet Nature Electronics denne måneden. Studien beskriver en neste‑generasjons nevromorfisk halvlederbasert prosessor som etterligner måten den menneskelige hjernen tenker på, og gjør den i stand til å lære og tilpasse seg for å forbedre ytelsen.

Ny chipdesign

Forskerne integrerte en selector‑fri analog memristor‑matrise for å lage en alt‑i‑ett lagrings‑ og behandlingsenhet. Enheten utnytter perifer kretsløp og en digital kontroller for å programmere memristorene i sanntid. Spesielt ble interfasial‑type titanatoksid‑memristorer valgt for å gjennomføre eksperimentene.

Kilde – KAIST

Etterligner den menneskelige hjernen

En av de mest imponerende delene av denne forskningen er at ingeniørene klarte å integrere et avansert AI‑system direkte i chipen. Denne integrasjonen gjør at chipen kan lære og korrigere feil. Enheten gir sanntidsanalyse og lokal behandling, noe som gjør den til det ideelle alternativet for flere bruksområder som musikkredigering, sikkerhet og mye mer.

Finn nye scenarier

Imponerende valgte ingeniøren å kjøre AI‑algoritmer i det analoge domenet. Følgelig ble systemet satt opp til å bruke selvkalibrering uten kompensasjonsoperasjoner eller forhåndstrening. Som et menneske kan denne AI‑en evaluere sanntidsdata og kryssreferere den med sin historikk for å bestemme neste handling.

Forbedre ytelsen

Denne oppsettet gjør det mulig for ingeniører å lage datamaskiner og enheter som lærer, korrigerer feil og behandler AI‑oppgaver lokalt. Dataene lagres og behandles deretter for å se deres forhold til tidligere data og andre unike egenskaper. Når systemet fastslår at ytelsesforbedringer er mulige gjennom læring, integreres de automatisk.

Memristor‑chip‑test

For at ingeniørene skulle teste verdens første memristor‑baserte integrerte system som kan tilpasse seg sanntidsdatendringer, satte de opp en videoredigeringsoppgave. AI‑systemet fikk kontinuerlig sanntidsvideo av en bevegende person. Det fikk i oppgave å skille forgrunn og bakgrunn i videoen.

Resultater fra memristor‑chip‑test

Dataene viser noen lovende resultater. For det første ble AI‑en raskere og mer effektiv for hver syklus. I begynnelsen tok AI‑en ekstra tid for å bestemme situasjonen, men i de siste gjennomløpene hadde AI‑en allerede blitt vant til prosessen og hvordan den skal avgjøre hva som er bakgrunn eller forgrunn.

Imponerende viste AI‑chipens videoredigeringstest en gjennomsnittlig topp signal‑til‑støy‑forhold på 30,49 dB, sammenlignbart med dedikerte tjenester. I tillegg registrerte teamet en strukturell likhetsindeks på 0,81.

Fordeler med memristor‑chip

Det finnes flere grunner til at memristor‑chips er en smart idé. For det første tilbyr de lokal sanntidsdataanalyse. Dette betyr at enheter kan fungere uten internettforbindelse eller behovet for å kontakte en annen enhet for å foreta en kvalifisert vurdering av omgivelsene.

Sikkerhet

Sikkerhet og personvern økes takket være dette oppsettet. Siden dataene ikke trenger å sendes utenfor, reduseres risikoen for hacking eller menneskelige feil betydelig.

Bedre ytelse

En annen stor fordel med denne studien er at den viser hvordan ytelsen kan forbedres fra dagens PC‑er. Det memristor‑drevne AI‑systemet tilbyr parallell beregningskapasitet til brukerne, forbedrer funksjonaliteten og gjør det mulig for systemer å håndtere større belastning.

Størrelse

Memristor‑chips er mye mindre enn tradisjonelle oppsett. Derfor er de ideelle for mikroelektronikk, wearables, robotikk og andre scenarier hvor plass er begrenset eller vekt er en viktig faktor, som droner eller annen romfartsteknologi.

Redusert energiforbruk

Når det gjelder energiforbruk, bruker memristor‑chips hundrevis av ganger mindre strøm enn tradisjonell chipdesign. Energien som brukes til å programmere chipen er minimal. Dette lave energiforbruket er ideelt for bærekraft og for å sikre at AI‑revolusjonen ikke påfører miljøet en enorm belastning som den industrielle revolusjonen fortsatt gjør.

Memristor‑applikasjoner

Det finnes mange applikasjoner for memristorer på markedet. For det første er de ideelle for kompakte og energieffektive kunstige intelligens‑ (AI) edge‑computing‑systemer. Denne teknologien kan en dag bidra til å gjøre alle smarte enheter mye smartere, lettere og mer kapable. Her er noen få eksempler på applikasjoner for memristor‑chip‑systemet.

Videobehandling

AI‑videobehandling er en av de raskest voksende sektorene på markedet. Forskernes chip er ideell for denne oppgaven av flere grunner. For det første bruker den sine selv‑lærende evner til å redusere arbeidsbelastningen og forbedre resultatet. Du kan se denne typen chip brukes til å drive avanserte AI‑redigeringssystemer som den teamet testet.

Allerede gjør AI‑redigeringssystemer visning mer rimelig. Tre systemer kan ofte lage dupliserte rammer mellom originalrammen, noe som muliggjør massive oppløsningsoppgraderinger. I fremtiden kan et slikt system gjøre det enkelt å redigere høykvalitetsvideo fra telefonen din.

Helsevesen

Bruken av AI i helsevesenet øker. Memristor‑drevne smarte enheter vil en dag gi grundig overvåking av pasienter, styrke fagfolk ved å redusere arbeidsbelastningen og forbedre bevisstheten deres. AI‑en kan også settes opp til å sende dataene til et annet AI‑system som er spesielt utviklet for helsevesenet.

Sikkerhet

Det gir mening å bruke et selv‑lærende AI‑system for å programmere sikkerhetskameraer. Forestill deg at ditt smarte kamera overvåker hagen din. Plutselig dukker en person opp og gjør noen bevegelser før han går utenfor skjermen. Hvis du ikke så på skjermen, gikk du glipp av det. Et memristor‑drevet AI‑sikkerhetssystem kan skanne området for mistenkelig oppførsel og varsle deg i sanntid.

Autonome kjøretøy

Autonome kjøretøy vil helt sikkert integrere denne teknologien i fremtiden for å kunne påta seg nye oppgaver og høyere pålitelighet. Systemet vil la kjøretøy analysere omgivelsene og gjøre kvalifiserte gjetninger om det beste scenariet. Hver gang blir beslutningen evaluert og brukt til å vurdere neste alternativ, noe som sikrer bedre ytelse over tid.

Memristor‑forskere

Denne studien ble ledet av KAIST‑ingeniører professor Shinhyun Choi og professor Young‑Gyu Yoon sitt felles forskerteam fra Institutt for elektroteknikk. Hakcheon Jeong og Seung Jae Han bidro også med innsamling og behandling av dataene.

Studien av memristor‑chips har støtte fra Next‑Generation Intelligent Semiconductor Technology Development Project, Excellent New Researcher Project og PIM AI Semiconductor Core Technology Development Project fra National Research (NRC ) Foundation of Korea, samt Electronics and Telecommunications Research Institute Research and Development Support Project.

Et selskap som kan dra nytte av memristor‑studien

Det finnes mange industrier denne teknologien kan forbedre. Verden har nådd sin grense når det gjelder å krympe motstander. Denne siste utviklingen introduserer et mer pålitelig og skalerbart alternativ på markedet. Her er ett selskap som er posisjonert til å utnytte disse dataene for suksess.

Micron Technologies Inc.

Micron Technologies Inc. (MU ) gikk inn på markedet i 1978. Den ble grunnlagt av Ward Parkinson, Joe Parkinson, Dennis Wilson og Doug Pitman som et halvlederproduksjonsanlegg. Selskapet oppnådde raskt suksess, og i 1980 åpnet firmaet sin første fabrikasjonsanlegg.