Är ’Memristorer’ nyckeln till AI som efterliknar den mänskliga hjärnan?

Människans hjärna är den mest komplexa och kapabela datorn som mänskligheten någonsin har känt. Detta naturunderverk kan samtidigt bearbeta miljontals datapunkter och sensorisk input i realtid. Även om datorer nu kan överträffa hjärnans kapacitet när det gäller beräkningskraft, finns det fortfarande områden där de brister. Ett nyligen genombrott inom memristorer kan vara nyckeln till att låsa upp neurala nätverksberäkningar, vilket öppnar dörren för smartare, snabbare artificiella intelligenssystem i framtiden.

Aktuell chipdesign

Den nuvarande von Neumann-arkitekturen placerar bearbetning och minne på två separata platser. Ursprungligen var denna layout logisk, eftersom datorer inte krävde den enorma mängden datahämtning som finns idag. Men avancerade AI-system bearbetar miljarder bitar data i realtid. Därför räknas varje millisekund, inklusive den tid och energi som krävs för att hämta och bearbeta minne från två olika platser.

Problem med nuvarande chipdesign

Den nuvarande chipdesignen är för långsam för att hålla jämna steg med de växande kraven från AI-gemenskapen. En bättre lösning för beräkningsintensiva protokoll som AI-system är att placera minne och bearbetning på ett enda chip. För att uppnå detta vände sig ingenjörer till en teknik som skapades på 1970-talet, memristorer.

Memristorer

Konceptet memristorer uppstod 1971 efter ett papper publicerat av Leon Chua. Memristorer fungerar genom att använda varierande strömmar. Genom att ändra riktning och mängd på strömmen kan dessa enheter lagra data. Deras kompakta storlek och förmåga att lagra och bearbeta data ger dem idealisk prestanda för dagens avancerade AI-system.

Problem med memristorteknik idag

Huvudproblemet med dagens memristorteknik som används i datorer är att de ännu inte kan konkurrera med andra system. Dessa experimentella chipdesigner ger ofta lägre beräkningskraft, tveksam tillförlitlighet och saknar hållbarheten hos deras dubbelchip-motsvarigheter. Lyckligtvis är allt detta på väg att förändras.

Neuromorfisk beräkning

Memristorer är en avgörande komponent i den neuromorfa beräkningsrörelsen. Denna datorklass strävar efter att efterlikna de neurala nätverk som finns i din hjärna. Dessa system kan beräkna, bearbeta och lagra data på en enda plats. De kan också lära, korrigera och anpassa sig till nya scenarier, precis som mänskliga hjärnor fungerar. Denna förmåga, i kombination med den nya integrerade chipdesignen, möjliggör en ny era i beräkningskraft.

Memristorchipstudie

Studien “Självstyrd videobearbetning med självkalibrering på en analog beräkningsplattform baserad på ett selektor‑fritt memristorarray“¹ publicerades i den vetenskapliga tidskriften Nature Electronics den här månaden. Studien beskriver en nästa generations neuromorfisk halvledarbaserad processor som efterliknar hur den mänskliga hjärnan tänker, vilket möjliggör att den kan lära och anpassa sig för att förbättra prestanda.

Ny chipdesign

Forskarna integrerade ett selektor‑fritt analogt memristorarray för att skapa en allt‑i‑ett lagrings‑ och bearbetningsenhet. Enheten utnyttjar periferikretsar och en digital styrning för att programmera memristorerna i realtid. Specifikt valdes interfacial‑typ titanoxidmemristorer för att genomföra experimenten.

Källa – KAIST

Efterliknar den mänskliga hjärnan

Ett av de mest imponerande delarna av denna forskning är att ingenjörerna lyckades integrera ett avancerat AI‑system direkt i chipet. Denna integration gör att chipet kan lära och korrigera fel. Enheten erbjuder realtidsanalys och lokal bearbetning, vilket gör den till det idealiska alternativet för flera användningsscenarier som musikredigering, säkerhet och mycket mer.

Utforska nya scenarier

Imponerande nog valde ingenjören att köra AI‑algoritmer i den analoga domänen. Följaktligen konfigurerades systemet för att använda självkalibrering utan kompensationsoperationer eller förträning. Precis som en människa kan denna AI utvärdera realtidsdata och korsreferera den med sin historik för att bestämma nästa handling.

Förbättra dess prestanda

Denna konfiguration gör det möjligt för ingenjörer att skapa datorer och enheter som lär sig, korrigerar fel och bearbetar AI‑uppgifter lokalt. Data lagras och bearbetas sedan för att se dess relation till tidigare data och andra unika egenskaper. När systemet fastställer att prestandaförbättringar är möjliga genom lärande, integreras de automatiskt.

Memristorchiptest

För att ingenjörerna skulle kunna testa världens första memristorbaserade integrerade system som kan anpassa sig till realtidsdatabördan, satte de upp en videoredigeringsuppgift. AI‑systemet matades med kontinuerlig realtidsvideo av en rörlig person. Det fick i uppgift att separera förgrunden och bakgrunden i videon.

Resultat från memristorchiptest

Data visar några lovande resultat. För det första blev AI snabbare och mer effektiv med varje cykel. Till en början tog AI extra tid för att avgöra situationen, men under de sista körningarna hade AI redan vant sig vid processen och hur man bestämmer vad som är bakgrund eller förgrund.
Imponerande nog visade AI‑chipets videoredigeringstest en genomsnittlig toppsignal‑till‑brusförhållande på 30,49 dB, jämförbart med dedikerade tjänster. Dessutom registrerade teamet ett strukturellt likhetsindex på 0,81.

Fördelar med memristorchip

Det finns flera anledningar till att memristorchip är ett smart val. För det första erbjuder de lokal realtidsdataanalys. Detta innebär att enheter kan fungera utan internetanslutning eller behovet av att kontakta en annan enhet för att göra en välgrundad bedömning av sin omgivning.

Säkerhet

Säkerhet och integritet ökas tack vare denna layout. Eftersom data inte behöver skickas utanför platsen minskar risken för hackning eller mänskliga fel avsevärt.

Bättre prestanda

En annan stor fördel med denna studie är att den visar hur man kan förbättra prestanda jämfört med dagens PC:er. Det memristordrivna AI‑systemet erbjuder parallellberäkningskapacitet för sina användare, förbättrar möjligheter och gör det möjligt för system att hantera större belastning.

Storlek

Memristorchip är mycket mindre än traditionella layouter. Därför är de idealiska för mikroelektronik, wearables, robotik och andra scenarier där utrymme är begränsat eller vikt är en stor faktor, såsom drönare eller annan rymdteknik.

Minskad energiförbrukning

När det gäller energiförbrukning använder memristorchip hundratals gånger mindre kraft än traditionell chipdesign. Den energi som används för att programmera chipet är minimal. Den låga energiförbrukningen är idealisk för hållbarhet och för att säkerställa att AI‑revolutionen inte tar en enorm belastning på miljön som den industriella revolutionen fortsätter att göra.

Memristorers tillämpningar

Det finns många tillämpningar för memristorer på marknaden. För det första är de de idealiska alternativen för kompakta och energieffektiva artificiella intelligens (AI) edge‑computingsystem. Denna teknik kan en dag hjälpa till att göra alla dina smarta enheter mycket smartare, lättare och mer kapabla. Här är bara några tillämpningar för memristorchip‑systemet.

Videobearbetning

AI‑videobearbetning är en av de snabbast växande sektorerna på marknaden. Forskarnas chip är idealiskt för denna uppgift av många skäl. För det första använder det sina själv‑lärande förmågor för att minska arbetsbelastningen och förbättra resultatet. Du kan se denna typ av chip användas för att driva avancerade AI‑redigeringssystem som det som testades av teamet.
Redan nu gör AI‑redigeringssystem visning mer prisvärd. Tre system kan ofta skapa duplicerade ramar mellan originalramen, vilket möjliggör massiva upplösningsuppgraderingar. I framtiden skulle ett sådant system kunna göra det enkelt att redigera högkvalitativ video från din telefon.

Hälsovård

Användningen av AI inom hälsovården ökar. Memristor‑drivna smarta enheter kommer en dag att erbjuda djupgående övervakning av patienter, vilket ger yrkesverksamma möjlighet att minska sin arbetsbörda och förbättra sin medvetenhet. AI:n kan till och med konfigureras för att skicka data till ett annat AI‑system som är specifikt utformat för hälsovård.

Säkerhet

Att använda ett själv‑lärande AI‑system för att programmera säkerhetskameror är logiskt. Föreställ dig att din smarta kamera övervakar din trädgård. Plötsligt dyker en person upp och gör några rörelser innan han går ur bild. Om du inte tittade på skärmen missade du det. Ett AI‑säkerhetssystem drivet av memristorer skulle kunna skanna området för misstänkt beteende och meddela dig i realtid.

Autonoma fordon

Autonoma fordon kommer säkert att integrera denna teknik i framtiden för att möjliggöra nya ansvarsområden och högre tillförlitlighet. Systemet kommer att låta fordon analysera sin omgivning och göra välgrundade gissningar om bästa scenariot. Varje gång utvärderas beslutet och används för att mäta nästa alternativ, vilket säkerställer bättre prestanda över tid.

Memristorforskare

Denna studie leddes av KAIST‑ingenjörer professor Shinhyun Choi och professor Young‑Gyu Yoons gemensamma forskarteam från Institutionen för elektroteknik. Hakcheon Jeong och Seung Jae Han bidrog också med att samla in och bearbeta data.
Memristorchipstudien har stöd från Next‑Generation Intelligent Semiconductor Technology Development Project, Excellent New Researcher Project och PIM AI Semiconductor Core Technology Development Project från National Research Foundation of Korea, samt Electronics and Telecommunications Research Institute Research and Development Support Project.

Ett företag som kan dra nytta av memristorstudien

Det finns många industrier som denna teknik kan förbättra. Världen har nått sin gräns när det gäller att minska resistorer. Den senaste utvecklingen introducerar ett mer pålitligt och skalbart alternativ på marknaden. Här är ett företag som är positionerat för att utnyttja dessa data för framgång.

Micron Technologies Inc.

Micron Technologies Inc. (MU ) gick in på marknaden 1978. Det grundades av Ward Parkinson, Joe Parkinson, Dennis Wilson och Doug Pitman som ett halvledartillverkningsföretag. Företaget såg snabbt framgång och 1980 öppnade företaget sin första tillverkningsanläggning.

Sedan dess har Micron Technologies utökat sitt erbjudande till andra teknikrelaterade sektorer. Imponerande nog säkrade de en plats i Fortune 500 år 1994. Idag erkänns de som en banbrytande kraft efter årtionden av chip‑innovationer.

Micron Technologies är en ledande forskare och utvecklare av memristor‑chipset. Företaget strävar efter att integrera denna teknik för att driva sin blomstrande datacenteraffärsmodell. För närvarande har företaget 43 000 anställda. Följaktligen ses MU som ett starkt ”köp” för handlare som söker exponering mot AI‑sektorn.

Memristorer kommer driva AI‑revolutionen.

Det innovativa teamet bakom memristor‑CPU‑design förstår vikten av direkt minne och bearbetning på chipet för att driva AI‑system. Nu kommer ingenjörerna att fortsätta sin forskning och testning för att få memristor‑drivna chip in i konsumentelektronik så snabbt som möjligt.

Lär dig mer om andra genombrott inom databehandling Breakthroughs.

Studierreferens:

^{1. Duan, X., Cao, Z., Gao, K., Yan, W., Sun, S., Zhou, G., Wu, Z., Ren, F., & Sun, B. (2024). Memristorbaserade neuromorfa chipar. Advanced Materials, 36(14), e2310704. https://doi.org/10.1002/adma.202310704}