연구 비트: 24월 XNUMX일

트랜지스터가 필요 없는 메모리 내 컴퓨팅

펜실베이니아 대학교, 샌디아 국립 연구소, 브룩헤이븐 국립 연구소의 연구원들은 다음을 제안합니다. 트랜지스터가 필요 없는 CIM(컴퓨팅 인 메모리) 아키텍처 메모리 병목 현상을 극복하고 AI 워크로드의 전력 소비를 줄입니다.

펜실베이니아 대학교 전기 및 시스템 공학과 조교수인 Deep Jariwala는 "메모리 내 컴퓨팅 아키텍처에 사용되는 경우에도 트랜지스터는 데이터 액세스 시간을 저하시킵니다."라고 말했습니다. “칩의 전체 회로에 많은 배선이 필요하므로 AI 애플리케이션에 원하는 것보다 많은 시간, 공간 및 에너지를 사용합니다. 트랜지스터가 없는 디자인의 장점은 간단하고 작으며 빠르며 에너지가 거의 필요하지 않다는 것입니다.”

이 장치는 강유전성 스위칭이 가능한 반도체인 AlScN(스칸듐 합금 질화알루미늄)을 사용합니다. 이 반도체의 물리적 특성은 대체 비휘발성 메모리 요소보다 더 빠르고 에너지 효율적입니다.

펜실베이니아 대학 전기 및 시스템 공학과 부교수인 Troy Olsson은 “이 재료의 주요 특성 중 하나는 실리콘 주조 공장과 호환될 만큼 낮은 온도에서 증착할 수 있다는 것입니다. “대부분의 강유전성 재료는 훨씬 더 높은 온도를 요구합니다. AlScN의 특수한 특성은 시연된 메모리 장치가 수직 이종 통합 스택의 실리콘 층 위에 위치할 수 있음을 의미합니다. 수백 대의 차량을 수용할 수 있는 다층 주차장과 단일 주차장에 분산된 수백 개의 개별 주차 공간의 차이점을 생각해 보세요. 공간적인 측면에서 어떤 것이 더 효율적인가요? 우리와 같이 고도로 소형화된 칩에 담긴 정보와 장치의 경우도 마찬가지입니다. 이러한 효율성은 데이터 센터와 같이 극도로 에너지 집약적인 애플리케이션과 마찬가지로 모바일 또는 웨어러블 장치와 같이 리소스 제약이 필요한 애플리케이션에도 중요합니다.”

팀은 CIM 페로다이오드가 기존 컴퓨팅 아키텍처보다 최대 100배 더 빠른 성능을 발휘할 수 있다고 제안합니다. 온칩 스토리지, 병렬 검색 및 행렬 곱셈 가속을 지원합니다.

“저장을 위한 대용량 메모리와 패턴 인식 및 검색 기능이 필요한 AI 애플리케이션이 있다고 가정해 보겠습니다. 역동적이고 예측할 수 없는 환경에 빠르고 정확하게 반응해야 하는 자율 주행 자동차나 자율 로봇을 생각해 보세요.”라고 Jariwala는 말했습니다. “기존 아키텍처를 사용하면 각 기능마다 칩의 다른 영역이 필요하며 가용성과 공간이 빠르게 소모됩니다. 우리의 페로다이오드 설계를 사용하면 프로그래밍하기 위해 전압을 적용하는 방식을 변경하기만 하면 한 곳에서 모든 작업을 수행할 수 있습니다."

팀이 칩을 통해 기계 학습 작업 시뮬레이션을 실행했을 때 기존 CPU에서 실행되는 AI 기반 소프트웨어와 비슷한 수준의 정확도로 수행되었습니다.

"이 연구는 메모리 기술을 사용하여 기존 컴퓨팅 기술에 도전하는 방식으로 여러 AI 데이터 애플리케이션을 통합하는 칩을 개발할 수 있다는 점을 입증했기 때문에 매우 중요합니다."라고 Xiwen Liu 박사는 말했습니다. 펜실베니아 대학의 후보자.

Jariwala는 "현재 수행되는 모든 AI 컴퓨팅은 수십 년 전에 설계된 실리콘 하드웨어 아키텍처에서 소프트웨어로 지원된다는 점을 인식하는 것이 중요합니다."라고 덧붙였습니다. “이것이 인공 지능 분야가 컴퓨터 및 소프트웨어 엔지니어에 의해 지배되는 이유입니다. AI를 위한 하드웨어를 근본적으로 재설계하는 것은 반도체와 마이크로 전자공학 분야의 차세대 판도를 바꾸는 변화가 될 것입니다. 지금 우리가 가고 있는 방향은 하드웨어와 소프트웨어의 공동 설계입니다.”

초전도체를 이용한 뉴로모픽 컴퓨팅

NIST(National Institute of Standards and Technology)의 연구원들은 다음을 기반으로 회로를 구축했습니다. 초전도 단일 광자 검출기 이는 생물학적 시냅스와 유사하게 동작하지만 단일 광자를 사용하여 신호를 전송하고 수신합니다.

“NIST 회로의 계산은 단일 광자 검출기가 조셉슨 접합이라고 불리는 초전도 회로 요소와 만나는 곳에서 발생합니다. 조셉슨 접합은 얇은 절연막으로 분리된 초전도 물질의 샌드위치입니다. 샌드위치를 ​​통과하는 전류가 특정 임계값을 초과하면 조셉슨 접합은 플럭슨이라는 작은 전압 펄스를 생성하기 시작합니다. 광자를 감지하면 단일 광자 감지기가 조셉슨 접합을 이 임계값 이상으로 밀고 플럭슨은 초전도 루프에 전류로 축적됩니다. 연구자들은 접합부 중 하나에 바이어스(회로에 전력을 공급하는 외부 전류원)를 적용하여 광자당 루프에 추가되는 전류량을 조정할 수 있습니다. 이것을 시냅스 가중치라고 합니다.”라고 NIST는 설명했습니다.

뇌의 신경 세포(뉴런) 사이를 연결하는 시냅스의 인공 버전처럼 작동하는 NIST 초전도 회로 사진. 라벨에는 회로의 다양한 구성 요소와 해당 기능이 표시됩니다. (제공: S. Khan 및 B. Primavera/NIST)

저장된 전류는 단기 기억의 한 형태로 작용하여 가까운 과거에 뉴런이 스파이크를 생성한 횟수에 대한 기록을 제공합니다. 이 메모리의 지속 시간은 초전도 루프에서 전류가 붕괴되는 데 걸리는 시간으로 설정되며, 이는 수백 나노초에서 밀리초까지 다양하며 더 길어질 수도 있습니다. 따라서 하드웨어는 고속 산업 제어 시스템에서 상대적으로 느린 실시간 인간 상호 작용과 같이 다양한 시간 규모에서 발생하는 문제에 맞춰질 수 있습니다.

장기 기억은 네트워크를 프로그래밍 가능하게 만드는 데 사용될 수 있는 Josephson 접합에 대한 바이어스를 변경하여 다양한 가중치를 설정함으로써 달성할 수 있습니다.

NIST의 Jeff Shainline은 “우리는 계산 문제를 해결하기 위해 여기서 시연한 것을 사용할 수 있지만 규모는 제한적일 것입니다.”라고 말했습니다. “우리의 다음 목표는 초전도 전자공학의 발전을 반도체 광원과 결합하는 것입니다. 이를 통해 우리는 더 많은 요소 간의 의사소통을 달성하고 크고 중대한 문제를 해결할 수 있게 될 것입니다.” 또한 팀은 대규모 뉴로모픽 칩에서 시냅스 가중치를 구현하는 기술을 탐색하고 있습니다.

신축성 있는 시냅스 트랜지스터

펜실베이니아 주립대학교, 휴스턴 대학교, 노스웨스턴 대학교, Flexterra의 연구원들이 개발한 신축성 있는 시냅스 트랜지스터 뇌의 뉴런을 모방하고 웨어러블이나 로봇의 AI 처리에 사용될 수 있습니다.

"시냅스 트랜지스터를 사용하여 인간 두뇌, 로봇 및 웨어러블 장치를 미러링하면 인공 뉴런을 사용하여 행동을 '학습'하고 적응할 수 있습니다. Penn State의 엔지니어링. “예를 들어 난로에 손을 데면 아프기 때문에 다음 번에는 손을 만지지 않는 것이 좋습니다. 인공지능이 환경을 '학습'하고 적응할 수 있기 때문에 시냅스 트랜지스터를 사용하는 장치에서도 동일한 결과가 가능할 것입니다.”

Yu에 따르면, 장치의 인공 뉴런은 뇌간의 가장 위쪽에 위치한 인간 뇌의 작은 부분인 복부 피개 영역의 뉴런처럼 작동하도록 설계되었습니다. "뇌의 다른 모든 영역과 달리 복부 피개 영역의 뉴런은 흥분성 신경 전달 물질과 억제성 신경 전달 물질을 동시에 방출할 수 있습니다."라고 Yu는 말했습니다. "두 가지 시냅스 동작을 동시에 작동하도록 시냅스 트랜지스터를 설계함으로써 기존 통합 전자 기술에 비해 더 적은 수의 트랜지스터가 필요하므로 시스템 아키텍처가 단순화되고 장치가 에너지를 보존할 수 있습니다."

흥분성 신경전달물질은 다른 뉴런의 활동을 촉발하고 기억 강화와 관련이 있는 반면, 억제성 신경전달물질은 다른 뉴런의 활동을 감소시키고 기억 약화와 관련이 있습니다.

연구원들은 신축성 이중층 반도체 재료를 사용하여 장치를 제작하여 사용 중에 늘어나고 비틀릴 수 있도록 했습니다. Yu는 “트랜지스터는 기계적으로 변형 가능하고 기능적으로 재구성 가능하지만 광범위하게 확장해도 여전히 기능을 유지합니다.”라고 말했습니다. "로봇이나 웨어러블 기기에 부착해 가장 바깥쪽 피부 역할을 할 수 있습니다."

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://semiengineering.com/research-bits-jan-24/