Minnesota Twin Cities Universitetinin mühəndis tədqiqatçıları süni intellekt (AI) hesablama tətbiqləri üçün enerji sərfiyyatını ən azı 1000 dəfə azalda bilən ən müasir aparat qurğusunu nümayiş etdiriblər.

Tədqiqat npj Unconvensional Computing jurnalında “Maqnit tunel qovşağına əsaslanan hesablama təsadüfi giriş yaddaşının eksperimental nümayişi” başlığı ilə dərc edilib. Tədqiqatçıların cihazda istifadə olunan texnologiyaya dair çoxsaylı patentləri var.

Süni intellekt tətbiqlərinə artan tələbatla tədqiqatçılar performansı yüksək və aşağı xərcləri saxlayaraq, daha enerji səmərəli proses yaratmağın yollarını axtarırlar. Bir qayda olaraq, maşın və ya süni intellekt həm məntiq (məlumatın sistem daxilində emal edildiyi yer) və həm də yaddaş (məlumatların saxlandığı yer) arasında məlumatların ötürülməsini emal edir, böyük miqdarda enerji və enerji sərf edir.

Minnesota Universitetinin Elm və Mühəndislik Kollecində bir qrup tədqiqatçı məlumatların yaddaşdan heç vaxt çıxmadığı, hesablama təsadüfi giriş yaddaşı (CRAM) adlanan yeni modeli nümayiş etdirib.

Minnesota Universitetinin Elektrik və Kompüter Mühəndisliyi Departamentindən Yang Lv dedi: “Bu iş CRAM-ın ilk eksperimental nümayişidir, burada məlumatların kompüterin məlumat saxladığı şəbəkədən çıxmağa ehtiyac olmadan tamamilə yaddaş massivində emal edilə bilər” doktoranturadan sonrakı tədqiqatçı və məqalənin ilk müəllifidir.

Beynəlxalq Enerji Agentliyi (IEA) 2024-cü ilin mart ayında qlobal enerji istifadəsi proqnozunu açıqlayıb və proqnozlaşdırır ki, süni intellekt üçün enerji istehlakı 2022-ci ildəki 460 terawatt-saatdan (TWh) iki dəfə artaraq 2026-cı ildə 1000 TWsaat olacaq. Bu, təxminən Yaponiyanın bütün ölkəsinin elektrik istehlakı.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=135&slotname=2793866484&adk=675901022&adf=1873531024&pi=t.ma~as.2793866484&w=540&abgtt=6&fwrn=4&lmt=1722012204&rafmt=11&format=540×135&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2024-07-magnetic-tunnel-junctionbased-device-ai.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTUuMC4wIiwieDg2IiwiIiwiMTI1LjAuNjQyMi4xNDIiLG51bGwsMCxudWxsLCI2NCIsW1siR29vZ2xlIENocm9tZSIsIjEyNS4wLjY0MjIuMTQyIl0sWyJDaHJvbWl1bSIsIjEyNS4wLjY0MjIuMTQyIl0sWyJOb3QuQS9CcmFuZCIsIjI0LjAuMC4wIl1dLDBd&dt=1722011326819&bpp=1&bdt=398&idt=129&shv=r20240724&mjsv=m202407230101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Db9da3e02405744d8%3AT%3D1721367090%3ART%3D1722012132%3AS%3DALNI_MbCxflFG1tK4Eg0JnLd1ADPoQRHCw&eo_id_str=ID%3D00ebd51b515acd52%3AT%3D1721367090%3ART%3D1722012132%3AS%3DAA-AfjajUyEPj_hS0T6XCNoUbt04&prev_fmts=0x0%2C1519x695&nras=2&correlator=2743311935287&frm=20&pv=1&ga_vid=847660112.1721367087&ga_sid=1722011327&ga_hid=19127613&ga_fc=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=1759&biw=1519&bih=695&scr_x=0&scr_y=0&eid=44759876%2C44759927%2C44759837%2C95332924%2C95334527%2C95334830%2C95337026%2C95337869%2C95338258%2C95336267%2C21065724%2C31078663%2C31078665%2C31078668%2C31078670&oid=2&pvsid=70972107026481&tmod=2115550142&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C0%2C0%2C1536%2C695&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=0&td=1&tdf=0&psd=W251bGwsbnVsbCwibGFiZWxfb25seV8xIiwxXQ..&nt=1&ifi=4&uci=a!4&btvi=1&fsb=1&dtd=M

Yeni məqalənin müəlliflərinə görə, CRAM əsaslı maşın öyrənmə nəticələrinin sürətləndiricisinin 1000-ə qədər təkmilləşdirməyə nail olacağı təxmin edilir. Başqa bir nümunə, ənənəvi üsullarla müqayisədə 2500 və 1700 dəfə enerji qənaətini göstərdi.

Bu araşdırma iyirmi ildən artıqdır ki, hazırlanır.

“20 il əvvəl yaddaş hüceyrələrindən bilavasitə hesablama üçün istifadə etmək üçün ilkin konsepsiyamız dəli hesab olunurdu” deyə məqalənin baş müəllifi və görkəmli McKnight professoru və Elektrik və Kompüter Mühəndisliyi Departamentinin Robert F. Hartmann sədri Jian-Ping Wang dedi. Minnesota Universiteti.

“2003-cü ildən inkişaf edən tələbələr qrupu və Minnesota Universitetində qurulmuş həqiqi fənlərarası fakültə komandası ilə – fizika, materialşünaslıq və mühəndislik, kompüter elmləri və mühəndislikdən tutmuş modelləşdirmə və müqayisə və aparat yaradılmasına qədər – biz müsbət nəticələr əldə edə bildik. nəticələr və indi bu cür texnologiyanın mümkün olduğunu və texnologiyaya daxil edilməyə hazır olduğunu nümayiş etdirdi “dedi Vanq.

Bu tədqiqat Wang və onun əməkdaşlarının sabit diskləri, sensorları və digər mikroelektronika sistemlərini təkmilləşdirmək üçün istifadə edilən nanostrukturlu cihazlar olan maqnit tunel qovşaqları (MTJs) cihazlarına dair təməlqoyma, patentləşdirilmiş tədqiqatlarına əsaslanan ardıcıl və uzunmüddətli səylərin bir hissəsidir. Mikrokontrollerlər və ağıllı saatlar kimi daxili sistemlərdə istifadə edilən Maqnit Təsadüfi Giriş Yaddaş (MRAM).

CRAM arxitekturası yaddaşda və yaddaşda həqiqi hesablamağa imkan verir və ənənəvi fon Neuman arxitekturasında darboğaz kimi hesablama ilə yaddaş arasındakı divarı qırır, demək olar ki, bütün müasir kompüterlər üçün əsas kimi xidmət edən saxlanılan proqram kompüteri üçün nəzəri dizayn.

“Həddindən artıq enerjiyə qənaət edən rəqəmsal əsaslı yaddaşdaxili hesablama substratı olaraq, CRAM çox çevikdir ki, hesablama yaddaş massivinin istənilən yerində həyata keçirilə bilər. Müvafiq olaraq, biz CRAM-ı müxtəlif sistemlərin performans ehtiyaclarına ən yaxşı uyğunlaşdırmaq üçün yenidən konfiqurasiya edə bilərik. Süni intellekt alqoritmləri,” hesablama memarlığı üzrə ekspert, məqalənin həmmüəllifi və Minnesota Universitetinin Elektrik və Kompüter Mühəndisliyi Departamentinin dosenti Ulya Karpuzcu bildirib.

“Bugünkü AI sistemləri üçün ənənəvi tikinti bloklarından daha çox enerji qənaətlidir.”

Karpuzcu izah etdi ki, CRAM bilavasitə yaddaş hüceyrələrinin daxilində hesablamaları həyata keçirir , massiv strukturundan səmərəli istifadə edir, bu da yavaş və enerji tutumlu məlumat ötürülməsinə ehtiyacı aradan qaldırır.

Ən səmərəli qısamüddətli təsadüfi giriş yaddaşı və ya RAM, cihaz bir və ya sıfır kodlaşdırmaq üçün dörd və ya beş tranzistordan istifadə edir, lakin bir MTJ, spintronik cihaz eyni funksiyanı enerjinin bir hissəsində, daha yüksək sürətlə yerinə yetirə bilər. və sərt mühitlərə davamlıdır. Spintronik qurğular ənənəvi tranzistor əsaslı çiplərə daha səmərəli alternativ təqdim edərək, məlumatları saxlamaq üçün elektrik yükündən çox elektronların spinindən istifadə edir .

Hazırda komanda geniş miqyaslı nümayişlər keçirmək və süni intellekt funksiyasını inkişaf etdirmək üçün avadanlıq istehsal etmək üçün Minnesota da daxil olmaqla yarımkeçirici sənaye liderləri ilə işləməyi planlaşdırır.

Lv, Wang və Karpuzcu ilə yanaşı, komandaya Minnesota Universitetinin Elektrik və Kompüter Mühəndisliyi Departamentinin tədqiqatçıları Robert Bloom və Husrev Cilasun; Hörmətli McKnight Professoru və Robert və Marjorie Henle sədri Saçin Sapatnekar; və keçmiş doktorantura tədqiqatçıları Brandon Zink, Zamshed Chowdhury və Salonik Resch; Arizona Universitetinin tədqiqatçıları ilə birlikdə: Pravin Khanal, Əli Həbiboğlu və professor Weigang Wang.

Daha çox məlumat: Yang Lv et al, Maqnit tunel qovşağına əsaslanan hesablama təsadüfi giriş yaddaşının eksperimental nümayişi, npj Qeyri-ənənəvi Hesablama (2024). DOI: 10.1038/s44335-024-00003-3