تراشه Neuromorphic NeuRRAM برای هوش مصنوعی توسعه یافته، محاسبات را در حافظه بدون اتصال به شبکه انجام می دهد: جزئیات

تراشه Neuromorphic NeuRRAM برای هوش مصنوعی توسعه یافته، محاسبات را در حافظه بدون اتصال به شبکه انجام می دهد: جزئیات

دانشمندان یک تراشه نورومورفیک برای اجرای برنامه های کاربردی هوش مصنوعی ساخته اند که می تواند محاسبات را مستقیماً در حافظه بدون نیاز به اتصال شبکه با ابر انجام دهد. علاوه بر این، این تراشه مقدار کمی انرژی مصرف می کند که باعث کارایی آن نسبت به سایر تراشه ها می شود. انتظار می‌رود این کشف، هوش مصنوعی را در طیف وسیعی از دستگاه‌های لبه‌ای مورد استفاده قرار دهد، جایی که می‌تواند بدون تکیه بر یک سرور متمرکز، مجموعه‌ای از وظایف پیچیده را انجام دهد.

چیپ NeuRRAM ثابت کرده است که کارآمدتر از محاسبات در حافظه است. تراشه ها و همچنین می توانند نتایجی به دقت تراشه های معمولی ارائه دهند. با این کار، تراشه می‌تواند در کارهایی مانند تشخیص تصویر و بازسازی، و تشخیص صدا.

AI به توان و توانایی محاسباتی نیاز دارد. بیشتر برنامه‌های هوش مصنوعی در دستگاه‌های لبه نیاز دارند که داده‌ها از دستگاه به ابر منتقل شوند، جایی که پردازش می‌شود. سپس داده ها به دستگاه منتقل می شوند. این به این دلیل است که اکثر دستگاه‌های لبه با باتری کار می‌کنند و قدرت محدودی دارند که برای محاسبات از آن استفاده می‌کنند.

تراشه NeuRRAM که توسط مهندسان دانشگاه کالیفرنیا طراحی شده است، مصرف انرژی را کاهش می‌دهد و دستگاه‌های لبه را بیشتر می‌کند. هوشمند، قوی و در دسترس علاوه بر این، امنیت داده‌ها را نیز افزایش می‌دهد، زیرا انتقال داده‌ها از دستگاه به ابر مستلزم برخی خطرات حفظ حریم خصوصی داده‌ها است.

فرآیند انتقال داده‌ها یک کار دست و پا گیر در نظر گرفته می‌شود. توضیح داده شده است: “این معادل انجام یک رفت و آمد هشت ساعته برای یک روز کاری دو ساعته است.” وایر وان، فارغ التحصیل دکترا از دانشگاه استنفورد که روی تراشه در UC San Diego کار می کرد. او همچنین یکی از نویسندگان این مطالعه است که در Nature.

این تیم از نوعی حافظه غیر فرار به نام حافظه با دسترسی تصادفی مقاومتی استفاده کردند که محاسبات را در حافظه بدون نیاز به واحد کامپیوتری جداگانه امکان پذیر می کند. در حالی که محاسبه در حافظه روش جدیدی نیست، تراشه NeuRRAM متفاوت است زیرا کارایی و انعطاف‌پذیری زیادی را برای برنامه‌های مختلف هوش مصنوعی ارائه می‌کند و در عین حال دقت یکسانی را حفظ می‌کند.

محققان توانایی تراشه را با استفاده از آن نشان دادند. اجرای وظایف مختلف بر روی آن و شاهد نتایج چشمگیری بود که با تراشه های دیجیتال موجود قابل مقایسه بود.


نظرات کاربران

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.