الذكاء الاصطناعي وأجهزة الكمبيوتر التقليدية هي مباراة صنعت في الجحيم.
السبب الرئيسي هو كيفية إعداد شرائح الأجهزة حاليًا. استنادًا إلى بنية Von Neumann التقليدية ، تعزل الشريحة تخزين الذاكرة عن معالجاتها الرئيسية. كل عملية حسابية هي عبارة عن رحلة كابوسية صباح يوم الإثنين ، حيث تنقل الشريحة البيانات باستمرار ذهابًا وإيابًا من كل مقصورة ، مما يشكل "جدار الذاكرة".
إذا كنت عالقًا في حركة المرور من قبل ، فأنت تعلم الإحباط: فهو يستغرق وقتًا وطاقة مهدرة. مع تزايد تعقيد خوارزميات الذكاء الاصطناعي ، تزداد المشكلة سوءًا.
فلماذا لا تصمم شريحة تعتمد على الدماغ ، وهي تطابق مثالي محتمل للشبكات العصبية العميقة؟
أدخل شرائح الحوسبة في الذاكرة أو CIM. هذه الرقائق ، المخلصة لاسمها ، تحسب وتخزن الذاكرة في نفس الموقع. ننسى التنقل ؛ الرقائق هي بدائل عالية الكفاءة للعمل من المنزل ، مما يلغي مشكلة اختناق حركة البيانات ويعد بكفاءة أعلى واستهلاك أقل للطاقة.
أو هكذا تقول النظرية. ركزت معظم رقائق CIM التي تعمل بخوارزميات الذكاء الاصطناعي فقط على تصميم الرقاقة ، وعرضت قدراتها باستخدام محاكاة الشريحة بدلاً من تشغيل المهام على أجهزة كاملة. تكافح الرقائق أيضًا للتكيف مع العديد من مهام الذكاء الاصطناعي المختلفة - التعرف على الصور وإدراك الصوت - مما يحد من تكاملها في الهواتف الذكية أو الأجهزة اليومية الأخرى.
هذا الشهر، دراسة in الطبيعة ترقية CIM من الألف إلى الياء. بدلاً من التركيز فقط على تصميم الشريحة ، قام الفريق الدولي - بقيادة خبراء الأجهزة العصبية المشوهة الدكتور إتش إس فيليب وونج من جامعة ستانفورد والدكتور غيرت كاوينبيرج في جامعة كاليفورنيا في سان دييغو - بتحسين الإعداد بالكامل ، من التكنولوجيا إلى الهندسة المعمارية إلى الخوارزميات التي تقوم بمعايرة الأجهزة .
شريحة NeuRRAM الناتجة عبارة عن عملاق حوسبة عصبية قوي يحتوي على 48 نواة متوازية و 3 ملايين خلية ذاكرة. متعددة الاستخدامات للغاية ، عالجت الشريحة العديد من المهام القياسية للذكاء الاصطناعي - مثل قراءة الأرقام المكتوبة بخط اليد ، وتحديد السيارات والأشياء الأخرى في الصور ، وفك تشفير التسجيلات الصوتية - بدقة تزيد عن 84 بالمائة.
في حين أن معدل النجاح قد يبدو متوسطًا ، إلا أنه ينافس الرقائق الرقمية الحالية ولكنه يوفر الطاقة بشكل كبير. بالنسبة إلى المؤلفين ، تعتبر هذه خطوة أقرب لجلب الذكاء الاصطناعي مباشرة إلى أجهزتنا بدلاً من الحاجة إلى نقل البيانات إلى السحابة لإجراء العمليات الحسابية.
"يمكن أن يؤدي إجراء هذه الحسابات على الشريحة بدلاً من إرسال المعلومات من وإلى السحابة إلى تمكين ذكاء اصطناعي أسرع وأكثر أمانًا وأرخص وأكثر قابلية للتوسع في المستقبل ، ويمنح المزيد من الأشخاص إمكانية الوصول إلى طاقة الذكاء الاصطناعي ،" محمد وونغ.
إلهام عصبي
رقائق خاصة بالذكاء الاصطناعي هي الآن سنتات مذهل دزينة. من وحدة معالجة Tensor (TPU) من Google وبنية الكمبيوتر الفائق Dojo من Tesla إلى Baidu و Amazon ، يستثمر عمالقة التكنولوجيا الملايين في اندفاع شرائح الذكاء الاصطناعي للذهب لبناء معالجات تدعم خوارزميات التعلم العميق المتطورة بشكل متزايد. حتى البعض الاستفادة من التعلم الآلي لتصميم بنيات الرقائق مصممة خصيصًا لبرامج الذكاء الاصطناعي ، مما يؤدي إلى اكتمال السباق.
يأتي أحد المفاهيم المثيرة للاهتمام بشكل خاص من الدماغ. عندما تمر البيانات عبر الخلايا العصبية لدينا ، فإنها "تتصل" بالشبكات من خلال "أرصفة" مادية تسمى نقاط الاشتباك العصبي. هذه الهياكل ، الموجودة أعلى الفروع العصبية مثل الفطر الصغير ، متعددة المهام: كلاهما يحسب ويخزن البيانات من خلال التغييرات في تكوين البروتين.
بعبارة أخرى ، لا تحتاج الخلايا العصبية ، على عكس أجهزة الكمبيوتر التقليدية ، إلى نقل البيانات من الذاكرة إلى وحدات المعالجة المركزية. يمنح هذا الدماغ ميزته على الأجهزة الرقمية: فهو ذو كفاءة عالية في استخدام الطاقة ويقوم بإجراء عمليات حسابية متعددة في وقت واحد ، وكلها معبأة في هلام يزن ثلاثة أرطال محشو داخل الجمجمة.
لماذا لا تعيد تكوين جوانب من الدماغ؟
أدخل الحوسبة العصبية. كان أحد الاختراقات هو استخدام RRAMs ، أو أجهزة ذاكرة الوصول العشوائي المقاومة (يطلق عليها أيضًا اسم memristors). تخزن RRAMs الذاكرة حتى عند انقطاع التيار الكهربائي عن طريق تغيير مقاومة أجهزتها. على غرار نقاط الاشتباك العصبي ، يمكن تجميع هذه المكونات في مصفوفات كثيفة في منطقة صغيرة ، مما يؤدي إلى إنشاء دوائر قادرة على إجراء عمليات حسابية معقدة للغاية بدون كتل. عند دمجها مع CMOS ، وهي عملية تصنيع لبناء الدوائر في المعالجات الدقيقة والرقائق الحالية لدينا ، فإن الثنائي يصبح أكثر قوة لتشغيل خوارزميات التعلم العميق.
ولكن الأمر يأتي بتكلفة. قال المؤلفون: "إن الحساب التناظري المتوازي للغاية داخل بنية RRAM-CIM يجلب كفاءة فائقة ، ولكنه يجعل من الصعب تحقيق نفس المستوى من المرونة الوظيفية والدقة الحسابية كما هو الحال في الدوائر الرقمية".
جني التحسين
تعمقت الدراسة الجديدة في كل جزء من شريحة RRAM-CIM ، وأعادت تصميمها للاستخدام العملي.
يبدأ بالتكنولوجيا. يضم NeuRRAM 48 نواة يتم حسابها بالتوازي مع أجهزة RRAM المتداخلة فعليًا في دوائر CMOS. مثل الخلايا العصبية ، يمكن إيقاف تشغيل كل نواة بشكل فردي عندما لا تكون قيد الاستخدام ، مما يحافظ على الطاقة أثناء تخزين ذاكرته في ذاكرة RRAM.
ترتبط خلايا RRAM هذه - الثلاثة ملايين جميعها - بحيث يمكن نقل البيانات في كلا الاتجاهين. وأوضح المؤلفون أنه تصميم مهم ، يسمح للشريحة بالتكيف بمرونة مع أنواع مختلفة من خوارزميات الذكاء الاصطناعي. على سبيل المثال ، نوع واحد من الشبكات العصبية العميقة ، CNN (الشبكة العصبية التلافيفية) ، يعتبر رائعًا بشكل خاص في رؤية الكمبيوتر ، ولكنه يحتاج إلى البيانات لتتدفق في اتجاه واحد. في المقابل ، تقوم LSTMs ، وهي نوع من الشبكات العصبية العميقة التي تستخدم غالبًا للتعرف على الصوت ، بمعالجة البيانات بشكل متكرر لمطابقة الإشارات مع الوقت. مثل المشابك العصبية ، تقوم الرقاقة بتشفير مدى قوة اتصال "عصبون" RRAM بآخر.
أتاحت هذه البنية ضبط تدفق البيانات بدقة لتقليل الاختناقات المرورية. مثل توسيع حركة المرور أحادية المسار إلى مسارات متعددة ، يمكن للرقاقة أن تضاعف "الذاكرة" الحالية للشبكة من معظم المشكلات الحسابية المكثفة ، بحيث تحلل النوى المتعددة المشكلة في وقت واحد.
كانت اللمسة الأخيرة لرقائق CIM السابقة بمثابة جسر أقوى بين الحوسبة الشبيهة بالدماغ - التناظرية غالبًا - والمعالجة الرقمية. هنا ، تستخدم الرقاقة دائرة عصبية يمكنها بسهولة تحويل الحسابات التناظرية إلى إشارات رقمية. وأوضح المؤلفون أنها خطوة للأعلى من الإعدادات السابقة "المتعطشة للطاقة والمتعطشة للمنطقة".
عملت التحسينات. بعد وضع نظريتهم على المحك ، صنع الفريق شريحة NeuRRAM وطوّر خوارزميات لبرمجة الأجهزة لخوارزميات مختلفة - مثل Play Station 5 التي تشغل ألعابًا مختلفة.
في العديد من الاختبارات المعيارية ، كان أداء الرقاقة مثل البطل. عند تشغيل شبكة CNN المكونة من سبع طبقات على الشريحة ، كان لدى NeuRRAM معدل خطأ أقل من XNUMX٪ في التعرف على الأرقام المكتوبة بخط اليد باستخدام قاعدة بيانات MNIST الشهيرة.
كما تفوقت في المهام الأكثر صعوبة. تحميل شبكة عصبية عميقة أخرى شهيرة ، LSTM ، كانت الشريحة صحيحة بنسبة 85 بالمائة تقريبًا عند تحدي التعرف على الكلام من Google. باستخدام ثمانية نوى فقط ، تمكنت الشريحة - التي تعمل على معمارية ذكاء اصطناعي أخرى - من استعادة الصور المشوشة ، مما يقلل الأخطاء بنسبة 70 بالمائة تقريبًا.
فماذا؟
كلمة واحدة: الطاقة.
معظم خوارزميات الذكاء الاصطناعي هي خنازير طاقة كاملة. عملت NeuRRAM بنصف تكلفة الطاقة لرقائق RRAM-CIM الحديثة ، مما أدى إلى مزيد من ترجمة الوعد بتوفير الطاقة مع الحوسبة العصبية إلى حقيقة واقعة.
لكن تميز الدراسة هو استراتيجيتها. في كثير من الأحيان عند تصميم الرقائق ، يحتاج العلماء إلى الموازنة بين الكفاءة والتنوع والدقة لمهام متعددة - وهي مقاييس غالبًا ما تتعارض مع بعضها البعض. تزداد المشكلة صعوبة عندما تتم جميع عمليات الحوسبة مباشرة على الأجهزة. أظهر NeuRRAM أنه من الممكن محاربة كل الوحوش في وقت واحد.
يمكن استخدام الاستراتيجية المستخدمة هنا لتحسين أجهزة الحوسبة العصبية الأخرى مثل تكنولوجيا ذاكرة تغيير الطورقال المؤلفون.
في الوقت الحالي ، يعد NeuRRAM إثباتًا للمفهوم ، حيث يُظهر أن الشريحة المادية - بدلاً من محاكاة لها - تعمل على النحو المنشود. ولكن هناك مجال للتحسين ، بما في ذلك توسيع نطاق RRAM وتقليص حجمها ليوم واحد من المحتمل أن تتناسب مع هواتفنا.
"ربما يتم استخدامه اليوم للقيام بمهام بسيطة للذكاء الاصطناعي مثل اكتشاف الكلمات الرئيسية أو الاكتشاف البشري ، ولكن غدًا يمكن أن يتيح تجربة مستخدم مختلفة تمامًا. تخيل تحليلات الفيديو في الوقت الفعلي جنبًا إلى جنب مع التعرف على الكلام ، كل ذلك داخل جهاز صغير ، " محمد مؤلف الدراسة الدكتور وير وان. "بصفتي باحثًا ومهندسًا ، فإن طموحي هو جلب الابتكارات البحثية من المختبرات إلى الاستخدام العملي."
الصورة الائتمان: ديفيد بايلوت / جامعة كاليفورنيا سان دييجو
