Pedaços de pesquisa: 24 de janeiro

Computação em memória sem transistor

Pesquisadores da Universidade da Pensilvânia, Sandia National Laboratories e Brookhaven National Laboratory propõem uma Arquitetura de computação em memória (CIM) livre de transistores para superar gargalos de memória e reduzir o consumo de energia em cargas de trabalho de IA.

“Mesmo quando usados ​​em uma arquitetura de computação em memória, os transistores comprometem o tempo de acesso dos dados”, disse Deep Jariwala, professor assistente do departamento de engenharia elétrica e de sistemas da Universidade da Pensilvânia. “Eles exigem muita fiação no circuito geral de um chip e, portanto, usam tempo, espaço e energia além do que desejaríamos para aplicações de IA. A beleza do nosso design sem transistores é que ele é simples, pequeno e rápido e requer muito pouca energia.”

O dispositivo usa nitreto de alumínio com liga de escândio (AlScN), um semicondutor que permite comutação ferroelétrica, cuja física é mais rápida e mais eficiente em termos de energia do que elementos de memória não voláteis alternativos.

"Um dos principais atributos deste material é que ele pode ser depositado em temperaturas baixas o suficiente para ser compatível com fundições de silício", disse Troy Olsson, professor associado do departamento de engenharia elétrica e de sistemas da Universidade da Pensilvânia. “A maioria dos materiais ferroelétricos requer temperaturas muito mais altas. As propriedades especiais do AlScN significam que nossos dispositivos de memória demonstrados podem ir para o topo da camada de silício em uma pilha vertical heterointegrada. Pense na diferença entre um estacionamento de vários andares com capacidade para cem carros e uma centena de vagas individuais espalhadas em um único estacionamento. Qual é mais eficiente em termos de espaço? O mesmo é o caso de informações e dispositivos em um chip altamente miniaturizado como o nosso. Essa eficiência é tão importante para aplicativos que exigem restrições de recursos, como dispositivos móveis ou vestíveis, quanto para aplicativos que consomem muita energia, como data centers.”

A equipe sugere que o ferrodiodo CIM pode funcionar até 100 vezes mais rápido do que uma arquitetura de computação convencional. Ele suporta armazenamento no chip, pesquisa paralela e aceleração de multiplicação de matrizes.

“Digamos que você tenha um aplicativo de IA que exija uma grande memória para armazenamento, bem como a capacidade de fazer reconhecimento e pesquisa de padrões. Pense em carros autônomos ou robôs autônomos, que precisam responder com rapidez e precisão a ambientes dinâmicos e imprevisíveis”, disse Jariwala. “Usando arquiteturas convencionais, você precisaria de uma área diferente do chip para cada função e queimaria rapidamente a disponibilidade e o espaço. Nosso projeto de ferrodiodo permite que você faça tudo em um só lugar, simplesmente mudando a maneira como você aplica tensões para programá-lo.”

Quando a equipe executou uma simulação de uma tarefa de aprendizado de máquina por meio de seu chip, ela foi executada com um grau de precisão comparável ao software baseado em IA executado em uma CPU convencional.

“Esta pesquisa é altamente significativa porque prova que podemos confiar na tecnologia de memória para desenvolver chips que integram vários aplicativos de dados de IA de uma forma que realmente desafia as tecnologias de computação convencionais”, disse Xiwen Liu, Ph.D. candidato na Universidade da Pensilvânia.

“É importante perceber que toda a computação de IA que é feita atualmente é habilitada por software em uma arquitetura de hardware de silício projetada décadas atrás”, acrescentou Jariwala. “É por isso que a inteligência artificial como um campo tem sido dominada por engenheiros de computação e software. Reprojetar fundamentalmente o hardware para IA será a próxima grande virada de jogo em semicondutores e microeletrônica. A direção que estamos seguindo agora é a do co-design de hardware e software.”

Computação neuromórfica com supercondutores

Pesquisadores do Instituto Nacional de Padrões e Tecnologia (NIST) construíram um circuito baseado em detectores supercondutores de fóton único que se comporta de forma semelhante a uma sinapse biológica, mas usa fótons únicos para transmitir e receber sinais.

“A computação no circuito NIST ocorre onde um detector de fóton único encontra um elemento de circuito supercondutor chamado junção Josephson. Uma junção Josephson é um sanduíche de materiais supercondutores separados por uma fina película isolante. Se a corrente através do sanduíche exceder um certo valor limite, a junção Josephson começa a produzir pequenos pulsos de tensão chamados fluxons. Ao detectar um fóton, o detector de fóton único empurra a junção Josephson além desse limite e os fluxons são acumulados como corrente em um loop supercondutor. Os pesquisadores podem ajustar a quantidade de corrente adicionada ao loop por fóton aplicando um viés (uma fonte de corrente externa que alimenta os circuitos) a uma das junções. Isso é chamado de peso sináptico”, explicou o NIST.

Fotografia de um circuito supercondutor NIST que se comporta como uma versão artificial de uma sinapse, uma conexão entre células nervosas (neurônios) no cérebro. As etiquetas mostram vários componentes do circuito e suas funções. (Crédito: S. Khan e B. Primavera/NIST)

A corrente armazenada serve como uma forma de memória de curto prazo, fornecendo um registro de quantas vezes o neurônio produziu um pico no passado próximo. A duração dessa memória é definida pelo tempo que leva para a corrente elétrica decair nos loops supercondutores, que pode variar de centenas de nanossegundos a milissegundos, e possivelmente mais. Como tal, o hardware pode ser combinado com problemas que ocorrem em diferentes escalas de tempo, como sistemas de controle industrial de alta velocidade para interação humana em tempo real comparativamente lenta.

A memória de longo prazo pode ser obtida definindo diferentes pesos por meio da alteração do viés para as junções Josephson, que podem ser usadas para tornar as redes programáveis.

“Poderíamos usar o que demonstramos aqui para resolver problemas computacionais, mas a escala seria limitada”, disse Jeff Shainline do NIST. “Nosso próximo objetivo é combinar esse avanço na eletrônica supercondutora com fontes de luz semicondutoras. Isso nos permitirá alcançar a comunicação entre muitos mais elementos e resolver grandes problemas consequentes.” A equipe também está explorando técnicas para implementar a ponderação sináptica em chips neuromórficos de maior escala.

Transistor sináptico elástico

Pesquisadores da Pennsylvania State University, University of Houston, Northwestern University e Flexterra desenvolveram um transistor sináptico elástico que imita neurônios no cérebro e pode ser usado para processamento de IA em dispositivos vestíveis ou robôs.

“Espelhando o cérebro humano, robôs e dispositivos vestíveis usando o transistor sináptico podem usar seus neurônios artificiais para 'aprender' e adaptar seus comportamentos”, disse Cunjiang Yu, professor associado de ciência da engenharia e mecânica, de engenharia biomédica e de ciência dos materiais e engenharia na Penn State. “Por exemplo, se queimarmos a mão no fogão, dói e sabemos que devemos evitar tocá-la da próxima vez. Os mesmos resultados serão possíveis para dispositivos que utilizam o transistor sináptico, pois a inteligência artificial é capaz de 'aprender' e se adaptar ao seu ambiente.”

De acordo com Yu, os neurônios artificiais no dispositivo foram projetados para funcionar como neurônios na área tegmental ventral, um pequeno segmento do cérebro humano localizado na parte superior do tronco cerebral. “Ao contrário de todas as outras áreas do cérebro, os neurônios na área tegmental ventral são capazes de liberar neurotransmissores excitatórios e inibitórios ao mesmo tempo”, disse Yu. “Ao projetar o transistor sináptico para operar com ambos os comportamentos sinápticos simultaneamente, menos transistores são necessários em comparação com a tecnologia eletrônica integrada convencional, o que simplifica a arquitetura do sistema e permite que o dispositivo economize energia.”

Os neurotransmissores excitatórios desencadeiam a atividade de outros neurônios e estão associados ao aprimoramento das memórias, enquanto os neurotransmissores inibitórios reduzem a atividade de outros neurônios e estão associados ao enfraquecimento das memórias.

Os pesquisadores usaram materiais semicondutores de bicamada extensíveis para fabricar o dispositivo, permitindo que ele esticasse e torcesse durante o uso. “O transistor é mecanicamente deformável e funcionalmente reconfigurável, mas ainda mantém suas funções quando estendido extensivamente”, disse Yu. “Ele pode se conectar a um robô ou dispositivo vestível para servir como sua pele mais externa”.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
• Fonte: https://semiengineering.com/research-bits-jan-24/