Инженеры способны сделать чипы в смартфонах мощнее в 1000 раз
Команда инженеров из Университетского колледжа Лондона (UCL) разработала новый подход к созданию нейронных сетей на основе мемристоров, которые работают практически без ошибок. До сих пор считалось, что применение мемристоров и безошибочность вычислений при построении нейронных сетей несовместимы.
Переход систем на базе искусственного интеллекта с транзисторной аппаратной базы на мемристоры увеличит энергоэффективность ИИ в 1000 раз, а это приведет к быстрому появлению мощных нейроморфных чипов практически везде - от смартфонов до промышленных систем, сообщает Tech Xplore.
Команда из UCL придумала, как решить эту проблему и проведенное моделирование подтвердило, что оно верно. Решение оказалось на удивление простым. Ученые заставили мемристоры работать в нескольких подгруппах нейронных сетей и усреднили их вычисления. Таким образом, общая производительность несколько снизилась, но количество ошибок сократилось практически до нуля.
Кроме того, ученые протестировали подход на нескольких типах мемристоров и обнаружили, что точность возрастает при использовании любой модели, независимо от материала или технологии изготовления.
Открытый метод борьбы с ошибками может стать основой для развития искусственного интеллекта нового поколения.
Почему это важно
Появление мемристичных нейронных сетей или нейроморфных чипов с энергоэффективностью в 1000 и больше раз выше, чем в текущих транзисторных системах позволит эффективно обучать нейронные сети вообще без подключения к внешним ресурсам. Их внутренних ресурсов будет для этого достаточно. Очевидно, что эта возможность перевернет не одну индустрию.
И ресурс этот обеспечивает сама природа мемристоров - их еще называют "резисторы с памятью", потому что они помнят количество электрического заряда, который протекал через них даже после выключения. При этом мемристоры работают не только в двоичном коде, состоящем из нулей и единиц, но и на нескольких уровнях от нуля к единице одновременно.
Это означает, что каждый бит может вместить больше информации. А с учетом того, что оперативные данные обрабатываются и хранятся в одном месте, их нужно при проведении расчетов постоянно отправлять в память и получать от нее, все это на порядки увеличивает эффективность таких систем по сравнению с транзисторами.
Прогнозы
Авторы проекта утверждают, что на данном этапе их ИИ сравнялся с уже существующими нейросетями и выполняет задачи на том же уровне, но это только начало перспективной разработки. Ученые обещают построить первую функционирующую модель на основе мемристоров в течение трех лет.
