Многие из современных важных научных вопросов — от моделирования наноразмерных материалов до крупномасштабных климатических исследований — могут быть исследованы с помощью сложных уравнений. Однако современные цифровые вычислительные системы достигают своего предела для выполнения этих вычислений с точки зрения скорости, энергопотребления и инфраструктуры.

Цянфэй Ся (Qiangfei Xia), профессор кафедры электротехники и вычислительной техники UMass Amherst и один из авторов-корреспондентов исследования, опубликованного в журнале Science, объясняет, что при существующих методах вычислений каждый раз, когда вы хотите сохранить информацию или дать компьютеру задание, требуется перемещение данных между памятью и вычислительными блоками. При выполнении сложных задач, в которых перемещаются большие объемы данных, возникает своеобразная «пробка».

Одним из способов решения этой проблемы в традиционных вычислительных системах является увеличение пропускной способности. Вместо этого Ся и его коллеги из Университета Массачусетса в Амхерсте, Университета Южной Калифорнии и производителя вычислительных технологий TetraMem Inc. внедрили вычисления in-memory с использованием аналоговой мемристорной технологии в качестве альтернативы, которая позволяет избежать этих узких мест за счет сокращения количества передач данных.

В вычислениях in-memory команда использует электрический компонент под названием мемристор — комбинацию памяти и резистора (который управляет потоком электричества в цепи). Мемристор управляет потоком электрического тока в цепи, а также «запоминает» предыдущее состояние, даже когда питание отключено, в отличие от современных компьютерных чипов на базе транзисторов, которые могут хранить информацию только при наличии питания. Мемристор может быть запрограммирован на несколько уровней сопротивления, что увеличивает плотность информации в одной ячейке.

Организованная в перекрестный массив, такая мемристорная схема выполняет аналоговые вычисления с использованием физических законов в массивно-параллельном режиме, существенно ускоряя матричные операции — наиболее часто используемые, но очень энергоемкие вычисления в нейронных сетях. Вычисления производятся в самом устройстве, вместо того чтобы перемещать данные между памятью и процессором. Используя аналогию с дорожным движением, Ся сравнивает вычисления в памяти с почти пустыми дорогами в разгар пандемии.

Вы устранили пробки, потому что почти все работали из дома, — говорит он.

Мы работаем одновременно, но отправляем только важные данные/результаты.

Ранее эти исследователи продемонстрировали, что их мемристор может выполнять низкоточные вычислительные задачи, такие как машинное обучение. Среди других применений — обработка аналоговых сигналов, радиочастотное зондирование и аппаратная безопасность.

«В этой работе мы предлагаем и демонстрируем новую архитектуру схемы и протокол программирования, которые могут эффективно представлять высокоточные числа с помощью взвешенной суммы нескольких относительно низкоточных аналоговых устройств, таких как мемристоры, со значительно меньшими затратами на схему, энергию и время ожидания по сравнению с существующими подходами к квантованию», — говорит Ся.

Прорыв в этой конкретной работе заключается в том, что мы расширяем границы, — добавляет он. Эта технология хороша не только для низкоточных вычислений нейронных сетей, но и для высокоточных научных вычислений.

В ходе демонстрации доказательной базы мемристор решал статические и изменяющиеся во времени дифференциальные уравнения, уравнения Навье-Стокса и задачи магнитогидродинамики.

Мы вышли из своей зоны комфорта, — говорит он, выходя за рамки требований низкой точности, предъявляемых к нейронным сетям для вычислений на границе, и переходя к высокоточным научным вычислениям.

Более десяти лет потребовалось команде UMass Amherst и ее соавторам, чтобы разработать подходящее мемристорное устройство и создать крупногабаритные микросхемы и компьютерные чипы для аналоговых вычислений в памяти.

Наши исследования за последнее десятилетие сделали аналоговый мемристор жизнеспособной технологией. Пришло время внедрить эту замечательную технологию в полупроводниковую промышленность, чтобы она принесла пользу широкому сообществу разработчиков аппаратного обеспечения ИИ, — заключает Ся.

Иллюстрация: Qiangfei Xia