14 april 2023 (Nanowerk Spotlight) Phase change memory (PCM) är en typ av icke-flyktig minnesteknologi som lagrar data i nanoskala genom att ändra fasen för ett specialiserat material mellan kristallina och amorfa tillstånd. I det kristallina tillståndet uppvisar materialet lågt elektriskt motstånd, medan det i det amorfa tillståndet har högt motstånd. Genom att applicera olika värme- och snabbt kylande pulser kan fasen växlas, vilket gör att data kan skrivas och läsas som binära värden (0s och 1s) eller kontinuerliga analoga värden baserat på materialets resistans. Fasförändringsminne är en framväxande teknologi med stor potential för att avancera analog in-memory computing, särskilt i djupa neurala nätverk och neuromorphic computing. Olika faktorer, såsom resistansvärden, minnesfönster och resistansdrift, påverkar prestandan hos PCM i dessa applikationer. Hittills har det varit utmanande för forskare att jämföra PCM-enheter för in-memory computing baserat enbart på deras olika enhetsegenskaper, som ofta hade kompromisser och korrelationer. En annan utmaning är att analog in-memory computing avsevärt kan förbättra hastigheten och minska strömförbrukningen för AI computing, men det kan drabbas av minskad noggrannhet på grund av ofullkomlighet i de analoga minnesenheterna. Ny forskning, publicerad i Avancerade elektroniska material ("Optimering av projicerad fasförändringsminne för analog in-memory computing inference"), tar itu med dessa problem genom att 1) omfattande benchmarking av PCM-enheter i stora neurala nätverk, erbjuda värdefulla riktlinjer för att optimera dessa enheter i framtiden, och 2) förbättra och optimera analoga minnesenheter gjorda med fasförändringsmaterial, vilket i slutändan förbättrar noggrannheten för AI-beräkningar. Ning Li, som vid den tiden arbetade vid IBM Research i Yorktown Heights och Albany (nu docent vid Lehigh University), den första författaren till studien, och hans IBM-kollegor förklarar: "Först upptäckte vi att många enhetsegenskaper kan trimmas systematiskt trimmas systematiskt med hjälp av ett linerlager som introducerats i vårt tidigare arbete. För det andra hittade vi ett sätt att optimera dessa enhetsegenskaper ur systemsynpunkt med hjälp av omfattande simuleringar på systemnivå." Dessa två framsteg tillsammans gjorde det möjligt för teamet att identifiera de bästa enheterna." I detta arbete skapade teamet modeller för att representera drift- och brusbeteendet hos PCM-enheter. De använde dessa modeller för att bedöma prestandan hos dessa enheter i applikationer för neurala nätverksslutningar. De utvärderade prestandan hos stora neurala nätverk med tiotals miljoner vikter (dvs. parametrarna inom ett neuralt nätverk som bestämmer styrkan hos kopplingarna mellan neuroner; i fallet med PCM-baserad analog in-memory computing lagras vikterna som resistansvärden i PCM-enheterna) med PCM-enheter både med och utan projektionsliners (ytterligare lager införda i PCM-enhetsstrukturen, som är gjorda av ett icke-fasändringsmaterial), testar en mängd olika djupa neurala nätverk (DNN) och datauppsättningar i flera tidssteg.
Uppmätta egenskaper hos PCM-enheten och deras inverkan på nätverksnoggrannheten som en funktion av PCM-minnesfönstret a) programmeringsområde Gmax–Gmin, b) toppdriftskoefficient, c) standardavvikelse för driftkoefficient, d) normaliserat läsbrus, e) ResNet- 32 (CIFAR-10) slutledningsfel vid kort sikt (1 sekund) och lång sikt (1 månad) efter programmering, f) LSTM (PTB) slutledningsfel vid 1 sekund och 1 månad efter programmering, g) BERT (MRPC) slutledningsfel 1 sekund och 1 månad efter programmering, h) BERT (MNLI) slutledningsfel vid 1 sekund och 1 månad efter programmering. (Återtryckt med tillstånd av Wiley-VCH Verlag) (klicka på bilden för att förstora) Studien visar att enheter med projektionsliners presterar bra över olika DNN-typer, inklusive återkommande neurala nätverk (RNN), konvolutionella neurala nätverk (CNN) och transformator- baserade nätverk. Forskarna undersökte också effekten av olika enhetsegenskaper på nätverksnoggrannheten och identifierade en rad målenhetsspecifikationer för PCM med liners som kan leda till ytterligare förbättringar. Till skillnad från tidigare rapporter om PCM-enheter för AI-beräkningar, knyter detta arbete enhetsresultat till slutresultaten av datorchips med stora och användbara djupa neurala nätverk. Dr Li förklarar att PCM-enheter för in-memory computing är svåra att jämföra för AI-applikationer genom att bara använda enhetsegenskaper. Studien ger en lösning på detta problem genom att erbjuda omfattande benchmarking av PCM-enheter i olika nätverk under olika förhållanden för viktkartläggning och riktlinjer för PCM-enhetsoptimering. Genom att kunna visa att enhetsegenskaper kan justeras kontinuerligt och att dessa egenskaper är korrelerade med varandra, blir systematisk optimering av enheterna möjlig. Med hjälp av sin optimeringsstrategi visade forskarna att de kan uppnå mycket bättre noggrannhet för både kortsiktig och långsiktig programmering. De minskade avsevärt effekterna av PCM-drift och brus på djupa neurala nätverk, vilket förbättrade både initial noggrannhet och långsiktig noggrannhet. "Möjliga tillämpningar av vårt arbete inkluderar förbättrad hastighet, minskad effekt och minskade kostnader för språkbehandling, bildigenkänning och till och med bredare AI-applikationer, som ChatGPT," påpekar Li. Som ett resultat av detta arbete föreställer sig forskarna att beräkning av stora neurala nätverk kommer att bli snabbare, grönare och billigare. Nästa steg i deras undersökningar inkluderar att ytterligare optimera PCM-enheter och implementera dem i datorchips. "Den framtida riktningen för detta forskningsfält är att möjliggöra riktiga produkter som kunderna tycker är användbara", avslutar Li. "Även om analoga system använder imperfekta analoga enheter, erbjuder de betydande fördelar i hastighet, kraft och kostnad. Utmaningen ligger i att identifiera lämpliga applikationer och möjliggöra dem.”
By
Michael
Berger
-
Michael är författare till tre böcker av Royal Society of Chemistry:
Nano-Society: Pushing the Boundsaries of Technology,
Nanoteknologi: Framtiden är litenoch
Nanoengineering: Färdigheterna och verktygen för att göra tekniken osynlig
Copyright ©
Michael
Berger
-
Michael är författare till tre böcker av Royal Society of Chemistry:
Nano-Society: Pushing the Boundsaries of Technology,
Nanoteknologi: Framtiden är litenoch
Nanoengineering: Färdigheterna och verktygen för att göra tekniken osynlig
Copyright ©
Nanoverk
Bli en Spotlight-gästförfattare! Gå med i vår stora och växande grupp gäst bidragsgivare. Har du precis publicerat en vetenskaplig uppsats eller har någon annan spännande utveckling att dela med nanoteknologinsamhället? Så här publicerar du på nanowerk.com.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://www.nanowerk.com/spotlight/spotid=62821.php
- :är
- 1
- 10
- 7
- 8
- 9
- a
- Able
- noggrannhet
- Uppnå
- tvärs
- Annat
- adresser
- framsteg
- fördelar
- påverka
- Efter
- AI
- tillåta
- Även
- amason
- och
- Annan
- tillämpningar
- Tillämpa
- ÄR
- AS
- Associate
- At
- Författaren
- baserat
- BE
- blir
- blir
- Där vi får lov att vara utan att konstant prestera,
- BÄST
- Bättre
- mellan
- Böcker
- öka
- gränser
- bredare
- by
- KAN
- Vid
- Centrum
- utmanar
- utmanande
- byta
- byte
- egenskaper
- ChatGPT
- billigare
- kemi
- Pommes frites
- klick
- kollegor
- samfundet
- jämföra
- beräkning
- dator
- databehandling
- villkor
- Anslutningar
- konsumtion
- kontinuerlig
- kontinuerligt
- korrelationer
- Pris
- skapas
- Kunder
- datum
- datauppsättningar
- Datum
- djup
- djupa neurala nätverk
- demonstreras
- Bestämma
- utvecklingen
- avvikelse
- anordning
- enheter
- olika
- svårt
- riktning
- upptäckt
- e
- effekter
- Elektronisk
- smärgel
- Emerging Technology
- möjliggöra
- aktiverad
- möjliggör
- förbättra
- fel
- Eter (ETH)
- utvärderade
- Även
- spännande
- utställningar
- Förklara
- Förklarar
- omfattande
- faktorer
- långt
- snabbare
- fält
- hitta
- fynd
- Förnamn
- För
- hittade
- från
- fungera
- ytterligare
- framtida
- gif
- stor
- kraftigt
- Grupp
- Odling
- Gäst
- riktlinjer
- Har
- höjder
- Hög
- Hur ser din drömresa ut
- How To
- HTTPS
- i
- IBM
- identifierade
- identifiera
- identifiera
- bild
- Bildigenkänning
- Inverkan
- genomföra
- förbättra
- förbättras
- förbättringar
- förbättra
- in
- innefattar
- Inklusive
- inledande
- introducerade
- Undersökningar
- problem
- IT
- delta
- jpg
- språk
- Large
- lager
- skikt
- leda
- logotyp
- Lång
- lång sikt
- Låg
- gjord
- Framställning
- många
- kartläggning
- Materialet
- material
- Maj..
- Minne
- Michael
- Mitten
- miljoner
- modeller
- Månad
- multipel
- namn
- nanoteknologi
- nät
- nätverk
- neural
- neurala nätverk
- neurala nätverk
- nervceller
- Nya
- Nästa
- Brus
- of
- erbjudanden
- erbjuda
- on
- ONE
- optimering
- Optimera
- optimerad
- optimera
- Övriga
- Papper
- parametrar
- särskilt
- Topp
- utföra
- prestanda
- tillstånd
- fas
- PHP
- plato
- Platon Data Intelligence
- PlatonData
- Punkt
- Synvinkel
- poäng
- möjlig
- potentiell
- kraft
- föregående
- Innan
- Problem
- bearbetning
- Produkter
- Professor
- Programmering
- projicerade
- Projektion
- ger
- publicera
- publicerade
- utgivare
- Tryckande
- område
- snabbt
- Läsa
- verklig
- erkännande
- minska
- Minskad
- Rapport
- representerar
- forskning
- forskare
- Resistens
- resultera
- Resultat
- kungliga
- s
- Andra
- Dela
- Kort
- kortsiktigt
- show
- signifikant
- signifikant
- färdigheter
- So
- än så länge
- Samhället
- lösning
- specialiserad
- specifikationer
- fart
- Spotlight
- stadier
- standard
- Ange
- Stater
- lagras
- lagrar
- Strategi
- hållfasthet
- struktur
- Läsa på
- sådana
- lämplig
- bytte
- system
- System
- Målet
- grupp
- Teknologi
- Testning
- den där
- Smakämnen
- Framtiden
- deras
- Dem
- Dessa
- tre
- Slipsar
- tid
- Titel
- till
- tillsammans
- verktyg
- typer
- Ytterst
- under
- universitet
- Uppdateringar
- URL
- användning
- Värdefulla
- Värden
- mängd
- olika
- utsikt
- Sätt..
- vikt
- VÄL
- som
- medan
- VEM
- kommer
- med
- inom
- utan
- Arbete
- arbetssätt
- skriven
- Din
- zephyrnet
Mer från Nanoverk
NASA:s TESS upptäcker planetsystemets andra värld i jordstorlek
Källnod: 1890620
Tidsstämpel: Jan 11, 2023
Nya avstämbara 2D nanosheets möjliggör många halvledarapplikationer, allt från elektronik till fotokatalys
Källnod: 2011573
Tidsstämpel: Mar 15, 2023
Laserstyrd självmontering möjliggör exakt tillverkning av mikrorullar för avancerade applikationer
Källnod: 2534870
Tidsstämpel: April 4, 2024
Forskare kontrollerar individuella molekyler för precisionsavkänning
Källnod: 2139741
Tidsstämpel: Juni 19, 2023
Hybridbundna tillstånd i kontinuumet i terahertz-metasytor
Källnod: 2108656
Tidsstämpel: Maj 26, 2023
Stapling av ordning och spänning ökar den andra harmoniska generationen med 2D Janus hetero-dubbelskikt
Källnod: 2292508
Tidsstämpel: September 26, 2023
Banbrytande bildteknik belyser hur DNA-strängar staplas
Källnod: 2224943
Tidsstämpel: Augusti 17, 2023
Att observera elektronernas koherenta rörelse med ett attosecond stoppur
Källnod: 2276425
Tidsstämpel: September 16, 2023
Väg för avsättning av atomskikt till skalbara, elektroniska van der Waals Te-tunna filmer
Källnod: 2277974
Tidsstämpel: September 18, 2023