14 aprile 2023 (Faretto Nanowerk) La memoria a cambiamento di fase (PCM) è un tipo di tecnologia di memoria non volatile che archivia dati su scala nanometrica modificando la fase di un materiale specializzato tra lo stato cristallino e quello amorfo. Nello stato cristallino il materiale presenta una bassa resistenza elettrica, mentre nello stato amorfo ha un'elevata resistenza. Applicando diversi impulsi di calore e raffreddamento rapido, la fase può essere cambiata, consentendo di scrivere e leggere i dati come valori binari (0 e 1) o valori analogici continui in base alla resistenza del materiale.
La memoria a cambiamento di fase è una tecnologia emergente con un grande potenziale per il progresso del calcolo analogico in memoria, in particolare nelle reti neurali profonde e nel calcolo neuromorfico. Vari fattori, come i valori di resistenza, la finestra di memoria e la deriva della resistenza, influenzano le prestazioni del PCM in queste applicazioni. Finora, è stato difficile per i ricercatori confrontare i dispositivi PCM per l'in-memory computing basandosi esclusivamente sulle varie caratteristiche dei dispositivi, che spesso presentavano compromessi e correlazioni.
Un'altra sfida è che l'elaborazione analogica in memoria può migliorare notevolmente la velocità e ridurre il consumo energetico per l'elaborazione basata sull'intelligenza artificiale, ma potrebbe soffrire di una precisione ridotta a causa dell'imperfezione dei dispositivi di memoria analogici.
Nuova ricerca, pubblicata in Materiali elettronici avanzati ("Ottimizzazione della memoria a cambiamento di fase prevista per l'inferenza di calcolo analogico in memoria"), affronta questi problemi 1) effettuando un'analisi comparativa approfondita dei dispositivi PCM in grandi reti neurali, offrendo preziose linee guida per l'ottimizzazione di questi dispositivi in futuro e 2) migliorando e ottimizzando i dispositivi di memoria analogici realizzati con materiali a cambiamento di fase, migliorando in definitiva la precisione per l'elaborazione AI.
Ning Li, che all’epoca lavorava presso l’IBM Research di Yorktown Heights e Albany (ora professore associato alla Lehigh University), primo autore dello studio, e i suoi colleghi IBM spiegano: “In primo luogo, abbiamo scoperto che molte caratteristiche dei dispositivi può essere messo a punto sistematicamente sintonizzato sistematicamente utilizzando uno strato di rivestimento introdotto nel nostro lavoro precedente. In secondo luogo, abbiamo trovato un modo per ottimizzare queste caratteristiche del dispositivo da un punto di vista del sistema utilizzando simulazioni estese a livello di sistema”. Questi due progressi insieme hanno consentito al team di identificare i dispositivi migliori”.
In questo lavoro, il team ha creato modelli per rappresentare la deriva e il comportamento del rumore dei dispositivi PCM. Hanno utilizzato questi modelli per valutare le prestazioni di questi dispositivi nelle applicazioni di inferenza della rete neurale. Hanno valutato le prestazioni di grandi reti neurali con decine di milioni di pesi (ovvero, i parametri all'interno di una rete neurale che determinano la forza delle connessioni tra neuroni; nel caso del calcolo analogico in memoria basato su PCM, i pesi vengono memorizzati come valori di resistenza nei dispositivi PCM) utilizzando dispositivi PCM con e senza rivestimenti di proiezione (strati aggiuntivi introdotti nella struttura del dispositivo PCM, che sono costituiti da un materiale senza cambiamento di fase), testando una varietà di reti neurali profonde (DNN) e set di dati in più fasi temporali.
Caratteristiche misurate del dispositivo PCM e loro impatto sulla precisione della rete in funzione della finestra di memoria PCM a) intervallo di programmazione Gmax–Gmin, b) coefficiente di deriva del picco, c) deviazione standard del coefficiente di deriva, d) rumore di lettura normalizzato, e) ResNet- 32 (CIFAR-10) errore di inferenza a breve termine (1 secondo) e a lungo termine (1 mese) dopo la programmazione, f) errore di inferenza LSTM (PTB) a 1 secondo e 1 mese dopo la programmazione, g) errore di inferenza BERT (MRPC) a 1 secondo e 1 mese dopo la programmazione, h) Errore di inferenza BERT (MNLI) a 1 secondo e 1 mese dopo la programmazione. (Ristampato con il permesso di Wiley-VCH Verlag) (clicca sull'immagine per ingrandirla)
Lo studio rileva che i dispositivi con rivestimenti di proiezione funzionano bene su vari tipi di DNN, comprese le reti neurali ricorrenti (RNN), le reti neurali convoluzionali (CNN) e le reti basate su trasformatori. I ricercatori hanno inoltre esaminato l'impatto delle diverse caratteristiche dei dispositivi sulla precisione della rete e hanno identificato una serie di specifiche del dispositivo target per PCM con rivestimenti che possono portare a ulteriori miglioramenti.
A differenza dei precedenti rapporti sui dispositivi PCM per l’informatica basata sull’intelligenza artificiale, questo lavoro collega i risultati dei dispositivi ai risultati finali dei chip di elaborazione con reti neurali profonde ampie e utili. Il dottor Li spiega che i dispositivi PCM per l'in-memory computing sono difficili da confrontare per le applicazioni IA utilizzando solo le caratteristiche del dispositivo. Lo studio fornisce una soluzione a questo problema offrendo un'ampia analisi comparativa dei dispositivi PCM in varie reti in varie condizioni di mappatura del peso e linee guida per l'ottimizzazione dei dispositivi PCM.
Essendo in grado di dimostrare che le caratteristiche del dispositivo possono essere regolate continuamente e che queste caratteristiche sono correlate tra loro, diventa possibile l'ottimizzazione sistematica dei dispositivi.
Utilizzando la loro strategia di ottimizzazione, i ricercatori hanno dimostrato di poter ottenere una precisione molto migliore sia per la programmazione a breve che a lungo termine. Hanno ridotto significativamente gli effetti della deriva e del rumore del PCM sulle reti neurali profonde, migliorando sia la precisione iniziale che quella a lungo termine.
“Le potenziali applicazioni del nostro lavoro includono una maggiore velocità, una riduzione dei consumi e una riduzione dei costi nell’elaborazione del linguaggio, nel riconoscimento delle immagini e anche in applicazioni AI più ampie, come ChatGPT”, sottolinea Li.
Come risultato di questo lavoro, i ricercatori prevedono che il calcolo di grandi reti neurali diventerà più veloce, più ecologico e più economico. Le prossime fasi delle loro indagini includono l'ulteriore ottimizzazione dei dispositivi PCM e la loro implementazione nei chip dei computer.
“La direzione futura di questo campo di ricerca è quella di realizzare prodotti reali che i clienti trovino utili”, conclude Li. “Sebbene i sistemi analogici utilizzino dispositivi analogici imperfetti, offrono vantaggi significativi in termini di velocità, potenza e costi. La sfida sta nell’identificare le applicazioni adatte e abilitarle”.
By
Michael
Berger
-
Michael è autore di tre libri della Royal Society of Chemistry:
Nano-Society: spingendo i confini della tecnologia,
Nanotecnologia: il futuro è minuscoloe
Nanoingegneria: abilità e strumenti che rendono invisibile la tecnologia
Copyright ©
Michael
Berger
-
Michael è autore di tre libri della Royal Society of Chemistry:
Nano-Society: spingendo i confini della tecnologia,
Nanotecnologia: il futuro è minuscoloe
Nanoingegneria: abilità e strumenti che rendono invisibile la tecnologia
Copyright ©
Nanowerk
Diventa un autore ospite di Spotlight! Unisciti al nostro gruppo numeroso e in crescita di collaboratori ospiti. Hai appena pubblicato un articolo scientifico o hai altri interessanti sviluppi da condividere con la comunità delle nanotecnologie? Ecco come pubblicare su nanowerk.com.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://www.nanowerk.com/spotlight/spotid=62821.php
- :È
- 1
- 10
- 7
- 8
- 9
- a
- capace
- precisione
- Raggiungere
- operanti in
- aggiuntivo
- indirizzi
- avanzamenti
- vantaggi
- influenzare
- Dopo shavasana, sedersi in silenzio; saluti;
- AI
- Consentire
- Sebbene il
- Amazon
- ed
- Un altro
- applicazioni
- AMMISSIONE
- SONO
- AS
- Associate
- At
- autore
- basato
- BE
- diventare
- diventa
- essendo
- MIGLIORE
- Meglio
- fra
- Libri
- potenziamento
- confini
- più ampia
- by
- Materiale
- Custodie
- centro
- Challenge
- impegnativo
- il cambiamento
- cambiando
- caratteristiche
- ChatGPT
- più economico
- chimica
- Chips
- clicca
- colleghi
- comunità
- confrontare
- calcolo
- computer
- informatica
- condizioni
- Connessioni
- consumo
- continuo
- continuamente
- correlazioni
- Costo
- creato
- Clienti
- dati
- dataset
- Data
- deep
- reti neurali profonde
- dimostrato
- Determinare
- sviluppi
- deviazione
- dispositivo
- dispositivi
- diverso
- difficile
- direzione
- scoperto
- e
- effetti
- Elettronico
- emergenti del mondo
- Tecnologia emergente
- enable
- abilitato
- consentendo
- migliorando
- errore
- Etere (ETH)
- valutato
- Anche
- coinvolgenti
- mostre
- Spiegare
- Spiega
- estensivo
- Fattori
- lontano
- più veloce
- campo
- Trovare
- trova
- Nome
- Nel
- essere trovato
- da
- function
- ulteriormente
- futuro
- gif
- grande
- molto
- Gruppo
- Crescita
- GUEST
- linee guida
- Avere
- altezza
- Alta
- Come
- Tutorial
- HTTPS
- i
- IBM
- identificato
- identificare
- identificazione
- Immagine
- Riconoscimento dell'immagine
- Impact
- Implementazione
- competenze
- migliorata
- miglioramenti
- miglioramento
- in
- includere
- Compreso
- inizialmente
- introdotto
- Indagini
- sicurezza
- IT
- join
- jpg
- Lingua
- grandi
- strato
- galline ovaiole
- portare
- logo
- Lunghi
- a lungo termine
- Basso
- fatto
- Fare
- molti
- mappatura
- materiale
- Materiale
- Maggio..
- Memorie
- Michael
- In mezzo
- milioni
- modelli
- Mese
- multiplo
- Nome
- nanotecnologia
- Rete
- reti
- Neurale
- rete neurale
- reti neurali
- neuroni
- New
- GENERAZIONE
- Rumore
- of
- offrire
- offerta
- on
- ONE
- ottimizzazione
- OTTIMIZZA
- ottimizzati
- ottimizzazione
- Altro
- Carta
- parametri
- particolarmente
- Corrente di
- eseguire
- performance
- autorizzazione
- fase
- PHP
- Platone
- Platone Data Intelligence
- PlatoneDati
- punto
- Punto di vista
- punti
- possibile
- potenziale
- energia
- precedente
- Precedente
- Problema
- lavorazione
- Prodotti
- Insegnante
- Programmazione
- proiettato
- Proiezione
- fornisce
- pubblicare
- pubblicato
- editore
- spingendo
- gamma
- rapidamente
- Leggi
- di rose
- riconoscimento
- ridurre
- Ridotto
- Report
- rappresentare
- riparazioni
- ricercatori
- resistenza all'usura
- colpevole
- Risultati
- reale
- s
- Secondo
- Condividi
- Corti
- a breve scadenza
- mostrare attraverso le sue creazioni
- significativa
- significativamente
- abilità
- So
- finora
- Società
- soluzione
- specializzata
- Specifiche tecniche
- velocità
- Riflettore
- tappe
- Standard
- Regione / Stato
- stati
- memorizzati
- negozi
- Strategia
- forza
- La struttura
- Studio
- tale
- adatto
- commutata
- sistema
- SISTEMI DI TRATTAMENTO
- Target
- team
- Tecnologia
- Testing
- che
- I
- Il futuro
- loro
- Li
- Strumenti Bowman per analizzare le seguenti finiture:
- tre
- Cravatte
- tempo
- Titolo
- a
- insieme
- strumenti
- Tipi di
- in definitiva
- per
- Università
- Aggiornamenti
- URL
- uso
- Prezioso
- Valori
- varietà
- vario
- Visualizza
- Modo..
- peso
- WELL
- quale
- while
- OMS
- volere
- con
- entro
- senza
- Lavora
- lavoro
- scritto
- Trasferimento da aeroporto a Sharm
- zefiro
Di più da Nanowerk
Un nuovo studio infrange la saggezza convenzionale e sblocca il futuro dei dispositivi elettrochimici
Nodo di origine: 2160377
Timestamp: Luglio 6, 2023
Enormi buchi neri affamati di carburante si nutrono di gas intergalattico
Nodo di origine: 1907108
Timestamp: Gennaio 19, 2023
Il progresso tecnologico potrebbe espandere la portata della nanostampa 3D
Nodo di origine: 2203740
Timestamp: 9 agosto 2023
"Ingegneria di contrasto" per nanofogli di ossido di grafene termoreattivi
Nodo di origine: 2246340
Timestamp: 31 agosto 2023
L'imaging degli atomi più piccoli fornisce informazioni sull'insolita biochimica di un enzima
Nodo di origine: 2281177
Timestamp: Settembre 20, 2023
L’intelligenza artificiale aiuta a ridurre i candidati per i vettori di idrogeno in forma liquida da miliardi a circa 40
Nodo di origine: 2435837
Timestamp: Gennaio 10, 2024
L’intelligenza artificiale potrebbe aiutare le centrali elettriche a catturare il carbonio utilizzando il 36% in meno di energia dalla rete
Nodo di origine: 2442056
Timestamp: Gennaio 15, 2024
Gli scienziati progettano nanopori artificiali "stalattiti" che imitano le strutture naturali
Nodo di origine: 2269914
Timestamp: Settembre 14, 2023
Rivoluzionare lo stoccaggio dell’energia: nanocluster metallici per batterie stabili al litio-zolfo
Nodo di origine: 2323031
Timestamp: Ottobre 12, 2023
L’intelligenza artificiale può avvisare i pianificatori urbani e i politici del decadimento delle città
Nodo di origine: 2353333
Timestamp: Ottobre 28, 2023