En un mundo donde la demanda de inteligencia local centrada en datos va en aumento, el desafío de permitir que los dispositivos analicen datos en el borde de forma autónoma se vuelve cada vez más crítico. Esta transición hacia dispositivos de inteligencia artificial de vanguardia, que abarcan dispositivos portátiles, sensores, teléfonos inteligentes y automóviles, significa la próxima fase de crecimiento en la industria de los semiconductores. Estos dispositivos admiten aprendizaje en tiempo real, autonomía e inteligencia integrada.
Sin embargo, estos dispositivos de IA de borde encuentran un obstáculo importante conocido como el cuello de botella de von Neumann, en el que las tareas computacionales ligadas a la memoria, particularmente aquellas relacionadas con el aprendizaje profundo y la IA, conducen a una necesidad abrumadora de acceso a los datos, superando las capacidades de computación local dentro. Unidades lógicas algorítmicas tradicionales.
El camino hacia la solución de este enigma computacional ha llevado a innovaciones arquitectónicas, incluida la computación en memoria (IMC). IMC, al realizar operaciones de multiplicación y acumulación (MAC) directamente dentro de la matriz de memoria, ofrece el potencial de revolucionar los sistemas de inteligencia artificial. Las implementaciones existentes de IMC a menudo implican operaciones lógicas binarias, lo que limita su eficacia en cálculos más complejos.
Ingrese a la novedosa macro de barra transversal de computación en memoria (IMC) que presenta una celda de transistor de efecto de campo ferroeléctrico (FeFET) de múltiples niveles para operaciones MAC de múltiples bits. Esta innovación trasciende los límites de las operaciones binarias tradicionales, utilizando las características eléctricas de los datos almacenados dentro de las celdas de memoria para derivar resultados de operaciones MAC codificados en tiempo de activación y corriente acumulada.
Las notables métricas de rendimiento logradas son nada menos que asombrosas. Con una precisión del 96,6 % en el reconocimiento de escritura a mano y del 91,5 % en la clasificación de imágenes, todo ello sin formación adicional, esta solución está preparada para transformar el panorama de la IA. Su eficiencia energética, nominal de 885,4 TOPS/W, casi duplica la de los diseños existentes, lo que subraya aún más su potencial para impulsar la industria.
En conclusión, este estudio innovador representa un importante avance en la inteligencia artificial y la computación en memoria. Al abordar el cuello de botella de von Neumann e introducir un enfoque novedoso para las operaciones MAC multibit, esta solución no solo ofrece una nueva perspectiva sobre el hardware de IA, sino que también promete desbloquear nuevos horizontes para la inteligencia local en el borde, lo que en última instancia dará forma al futuro de la informática.
Revisar la Papel y Blog. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 32k+ ML, Comunidad de Facebook de más de 40.000 personas, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
también estamos en Telegrama y WhatsApp.
Niharika es pasante de consultoría técnica en Marktechpost. Es estudiante de tercer año y actualmente cursa su licenciatura en tecnología en el Instituto Indio de Tecnología (IIT), Kharagpur. Es una persona muy entusiasta con un gran interés en el aprendizaje automático, la ciencia de datos y la inteligencia artificial y una ávida lectora de los últimos avances en estos campos.