Onderzoeksbits: 24 januari

Transistorvrij rekenvermogen in het geheugen

Onderzoekers van de Universiteit van Pennsylvania, Sandia National Laboratories en Brookhaven National Laboratory stellen een transistorvrije compute-in-memory (CIM) architectuur om geheugenknelpunten te overwinnen en het energieverbruik bij AI-workloads te verminderen.

“Zelfs als ze worden gebruikt in een compute-in-memory-architectuur, brengen transistors de toegangstijd van gegevens in gevaar”, zegt Deep Jariwala, assistent-professor bij de afdeling elektrische en systeemtechniek aan de Universiteit van Pennsylvania. “Ze vereisen veel bedrading in de algehele circuits van een chip en gebruiken dus meer tijd, ruimte en energie dan we zouden willen voor AI-toepassingen. Het mooie van ons transistorvrije ontwerp is dat het eenvoudig, klein en snel is en heel weinig energie vereist.”

Het apparaat maakt gebruik van scandium-gelegeerd aluminiumnitride (AlScN), een halfgeleider die ferro-elektrisch schakelen mogelijk maakt, waarvan de fysica sneller en energiezuiniger is dan alternatieve niet-vluchtige geheugenelementen.

"Een van de belangrijkste kenmerken van dit materiaal is dat het kan worden afgezet bij temperaturen die laag genoeg zijn om compatibel te zijn met siliciumgieterijen", zegt Troy Olsson, universitair hoofddocent bij de afdeling elektrische en systeemtechniek aan de Universiteit van Pennsylvania. “De meeste ferro-elektrische materialen vereisen veel hogere temperaturen. De speciale eigenschappen van AlScN zorgen ervoor dat onze gedemonstreerde geheugenapparaten bovenop de siliciumlaag kunnen worden geplaatst in een verticale hetero-geïntegreerde stapel. Denk eens aan het verschil tussen een parkeergarage met meerdere verdiepingen met een capaciteit van honderd auto's en honderd individuele parkeerplaatsen verspreid over één perceel. Wat is efficiënter qua ruimte? Hetzelfde geldt voor informatie en apparaten in een sterk geminiaturiseerde chip als de onze. Deze efficiëntie is net zo belangrijk voor toepassingen die beperkte middelen vereisen, zoals mobiele of draagbare apparaten, als voor toepassingen die extreem energie-intensief zijn, zoals datacenters.”

Het team suggereert dat de CIM-ferrodiode mogelijk tot 100 keer sneller kan presteren dan een conventionele computerarchitectuur. Het ondersteunt opslag op de chip, parallel zoeken en versnelling van matrixvermenigvuldiging.

“Stel dat je een AI-toepassing hebt die een groot geheugen nodig heeft voor opslag en de mogelijkheid om patroonherkenning en zoekacties uit te voeren. Denk aan zelfrijdende auto’s of autonome robots, die snel en accuraat moeten reageren op dynamische, onvoorspelbare omgevingen”, aldus Jariwala. “Met conventionele architecturen zou je voor elke functie een ander deel van de chip nodig hebben en zou je de beschikbaarheid en ruimte snel opbranden. Met ons ferrodiode-ontwerp kun je het allemaal op één plek doen door simpelweg de manier te veranderen waarop je spanningen toepast om het te programmeren.”

Toen het team een ​​simulatie van een machine learning-taak via hun chip uitvoerde, presteerde deze met een vergelijkbare mate van nauwkeurigheid als op AI gebaseerde software die op een conventionele CPU draaide.

“Dit onderzoek is van groot belang omdat het bewijst dat we op geheugentechnologie kunnen vertrouwen om chips te ontwikkelen die meerdere AI-datatoepassingen integreren op een manier die conventionele computertechnologieën echt uitdaagt”, zegt Xiwen Liu, een Ph.D. kandidaat aan de Universiteit van Pennsylvania.

“Het is belangrijk om te beseffen dat al het AI-computing dat momenteel wordt gedaan, softwarematig is gebaseerd op een siliciumhardwarearchitectuur die tientallen jaren geleden is ontworpen”, aldus Jariwala. “Dit is de reden waarom kunstmatige intelligentie als vakgebied wordt gedomineerd door computer- en software-ingenieurs. Het fundamenteel herontwerpen van hardware voor AI wordt de volgende grote gamechanger in halfgeleiders en micro-elektronica. De richting die we nu inslaan is die van hardware- en software-co-design.”

Neuromorfisch computergebruik met supergeleiders

Onderzoekers van het National Institute of Standards and Technology (NIST) hebben een circuit gebouwd op basis van supergeleidende detectoren met één foton dat zich gedraagt ​​als een biologische synaps, maar afzonderlijke fotonen gebruikt om signalen te verzenden en te ontvangen.

“De berekening in het NIST-circuit vindt plaats waar een detector met één foton een supergeleidend circuitelement ontmoet dat een Josephson-junctie wordt genoemd. Een Josephson-junctie is een sandwich van supergeleidende materialen, gescheiden door een dunne isolatiefilm. Als de stroom door de sandwich een bepaalde drempelwaarde overschrijdt, begint de Josephson-overgang kleine spanningspulsen te produceren die fluxons worden genoemd. Bij het detecteren van een foton duwt de detector met één foton de Josephson-overgang over deze drempel en worden fluxons geaccumuleerd als stroom in een supergeleidende lus. Onderzoekers kunnen de hoeveelheid stroom die per foton aan de lus wordt toegevoegd, afstemmen door een bias (een externe stroombron die de circuits van stroom voorziet) op een van de kruispunten aan te brengen. Dit wordt het synaptische gewicht genoemd”, legde NIST uit.

Foto van een supergeleidend NIST-circuit dat zich gedraagt ​​als een kunstmatige versie van een synaps, een verbinding tussen zenuwcellen (neuronen) in de hersenen. De labels tonen verschillende componenten van het circuit en hun functies. (Credit: S. Khan en B. Primavera/NIST)

De opgeslagen stroom dient als een vorm van kortetermijngeheugen en registreert hoe vaak het neuron in het nabije verleden een piek heeft geproduceerd. De duur van dit geheugen wordt bepaald door de tijd die nodig is voordat de elektrische stroom in de supergeleidende lussen vervalt, die kan variëren van honderden nanoseconden tot milliseconden, en mogelijk langer. Als zodanig zou de hardware kunnen worden afgestemd op problemen die zich op verschillende tijdschalen voordoen, zoals snelle industriële besturingssystemen en relatief trage menselijke interactie in realtime.

Langetermijngeheugen kan worden bereikt door verschillende gewichten in te stellen door de bias naar de Josephson-knooppunten te veranderen, wat zou kunnen worden gebruikt om de netwerken programmeerbaar te maken.

“We zouden kunnen gebruiken wat we hier hebben gedemonstreerd om computerproblemen op te lossen, maar de schaal zou beperkt zijn”, zegt Jeff Shainline van NIST. “Ons volgende doel is om deze vooruitgang in supergeleidende elektronica te combineren met halfgeleiderlichtbronnen. Dat zal ons in staat stellen om communicatie tussen veel meer elementen te bewerkstelligen en grote, daaruit voortvloeiende problemen op te lossen.” Het team onderzoekt ook technieken om synaptische weging te implementeren in grootschalige neuromorfe chips.

Rekbare synaptische transistor

Onderzoekers van de Pennsylvania State University, University of Houston, Northwestern University en Flexterra ontwikkelden een rekbare synaptische transistor dat neuronen in de hersenen nabootst en kan worden gebruikt voor AI-verwerking in wearables of robots.

“Door het menselijke brein te weerspiegelen, kunnen robots en draagbare apparaten die gebruik maken van de synaptische transistor de kunstmatige neuronen gebruiken om hun gedrag te ‘leren’ en aan te passen”, zegt Cunjiang Yu, universitair hoofddocent in de ingenieurswetenschappen en mechanica, in de biomedische technologie en in de materiaalkunde en -kunde. techniek bij Penn State. “Als we bijvoorbeeld onze hand aan een fornuis verbranden, doet dat pijn, en we weten dat we die de volgende keer moeten vermijden. Dezelfde resultaten zullen mogelijk zijn voor apparaten die gebruik maken van de synaptische transistor, omdat de kunstmatige intelligentie in staat is te ‘leren’ en zich aan te passen aan de omgeving.”

Volgens Yu zijn de kunstmatige neuronen in het apparaat ontworpen om te presteren als neuronen in het ventrale tegmentale gebied, een klein segment van het menselijk brein dat zich in het bovenste deel van de hersenstam bevindt. “In tegenstelling tot alle andere delen van de hersenen zijn neuronen in het ventrale tegmentale gebied in staat om tegelijkertijd zowel exciterende als remmende neurotransmitters vrij te geven,” zei Yu. “Door de synaptische transistor te ontwerpen om tegelijkertijd met beide synaptische gedragingen te werken, zijn er minder transistors nodig vergeleken met conventionele geïntegreerde elektronicatechnologie, waardoor de systeemarchitectuur wordt vereenvoudigd en het apparaat energie kan besparen.”

Exciterende neurotransmitters activeren de activiteit van andere neuronen en worden geassocieerd met het versterken van herinneringen, terwijl remmende neurotransmitters de activiteit van andere neuronen verminderen en geassocieerd worden met het verzwakken van herinneringen.

De onderzoekers gebruikten rekbare dubbellaagse halfgeleidermaterialen om het apparaat te vervaardigen, waardoor het tijdens gebruik kon uitrekken en draaien. “De transistor is mechanisch vervormbaar en functioneel herconfigureerbaar, maar behoudt toch zijn functies als hij uitgebreid wordt uitgerekt”, zegt Yu. “Het kan zich hechten aan een robot of een draagbaar apparaat en als buitenste huid dienen.”

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://semiengineering.com/research-bits-jan-24/