Elektroda.pl
Elektroda.pl
X
Elektroda.pl
Proszę, dodaj wyjątek dla www.elektroda.pl do Adblock.
Dzięki temu, że oglądasz reklamy, wspierasz portal i użytkowników.

Nowe systemy AI oparte na pamięci ReRAM

ghost666 03 Wrz 2020 17:18 489 1
  • Nowe systemy AI oparte na pamięci ReRAM
    Niedawne badania wykorzystujące technologię tlenku krzemu (SiOx) do produkcji pamięci ReRAM prowadzone przez firmę Weebit Nano mają pozwolić na stworzenie inspirowanej mózgiem sztucznej inteligencji (AI), która może wykonywać zadania uczenia się bez nadzoru z bardzo dokładnymi wynikami.

    Prace zostały zrealizowane przez naukowców z Politecnico Milan (Politechnika w Mediolanie) i przedstawione w niedawnym wspólnym artykule z wspomnianą firmą, w którym szczegółowo opisano nowatorską samouczącą się sztuczną inteligencję opartą na ReRAMie firmy Weebit. Technologia ta jest uważana za głównego kandydata do zastąpienia pamięci typu Flash NAND, ponieważ może być 1000 razy szybsza przy zużyciu 1000 razy mniej energii niż NAND Flash, a jednocześnie działać 100 razy dłużej. SiOx ReRAM firmy Weebit jest również atrakcyjny, ponieważ może wykorzystać istniejące procesy produkcyjne.

    ReRAM był również badany pod kątem zastosowania w systemach sztucznej inteligencji przez kilka organizacji badawczych. Badacze opracowali projekt sprzętu, który wykorzystuje ReRAM firmy Weebit, aby połączyć wydajność konwolucyjnych sieci neuronowych (CNN) z plastycznością impulsowych sieci neuronowych inspirowanych mózgiem (SNN), aby umożliwić sprzętowi uczenie się nowych rzeczy bez zapominania wyszkolonych zadań z wcześniej zdobytych informacji . Ponadto system dostosowuje swoją częstotliwość pracy do obciążenia redukując pobór prądu, umożliwiając stworzenie realnego rozwiązania w zakresie uczenia się przez całe życie w autonomicznych systemach AI.

    Badania profesora Daniele Ielmini i jego zespołu dotyczą niezdolności sztucznych sieci neuronowych (SSN) do pozyskiwania nowych informacji bez zapominania o wyszkolonych zadaniach, mimo że przewyższają one ludzką zdolność rozpoznawania obiektów. Sprzęt do wnioskowania jakie opracował zespół w oparciu o SiOx ReRAM był w stanie połączyć wydajność konwolucyjnych sieci SSN i ​​plastyczność sieci impulsowych. Ielmini powiedział, że badania pokazują, że obwód plastycznie dostosowuje swoją częstotliwość operacyjną w celu oszczędzania energii i umożliwia ciągłą naukę do 50% nietrenowanych klas. Powiedział on, że optymalizuje to klasyfikację i umożliwia ponowne szkolenie filtrów.

    Ielmini powiedział, że jak dotąd największym wyzwaniem dla sprzętu AI są ograniczenia tego, czego może się on nauczyć. Na przykład, jeśli sprzęt jest przeszkolony w rozpoznawaniu określonych cyfr, może rozpoznawać tylko te cyfry, do których został wyszkolony, ale nie rozpoznaje żadnych dodatkowych. Podobnie nie będzie w stanie samodzielnie rozpoznawać liter, ponieważ był wystawiony tylko na działanie cyfr. Powiedział, że celem jego badań było opracowanie nowego sprzętu opartego na pamięci ReRAM, który może się nieustannie uczyć (...). Na przykład może wyszkolić sprzęt na 100 obrazach i rozpoznać dodatkowe 100 obrazów bez przeszkolenia. „To jest dokładnie to, co dzieje się w mózgu, kiedy się czegoś uczymy”.

    Zasadniczo, kiedy nasz mózg widzi coś, co rozpoznaje, istnieje neuron reprezentujący cel, który zostaje aktywowany. Za każdym razem, gdy neuron "odpala", zużywa energię. Ponieważ mózg chce być energooszczędny, istnieje wewnętrzne sprzężenie zwrotne, które zmniejsza próg wzrostu neuronu, co ostatecznie pozwala na uczenie się przez całe życie. Badaczom udało się emulować ten proces za pomocą układu z pamięci ReRAM, osiągając jednocześnie wysoką efektywność energetyczna w systemie. „To jest obecnie duży limit sprzętu AI” zauważa profesor.

    Źródło: https://www.eetimes.com/reram-research-improves-independent-ai-learning/

    Fajne! Ranking DIY
    O autorze
    ghost666
    Tłumacz Redaktor
    Offline 
    Fizyk z wykształcenia. Po zrobieniu doktoratu i dwóch latach pracy na uczelni, przeszedł do sektora prywatnego, gdzie zajmuje się projektowaniem urządzeń elektronicznych i programowaniem. Od 2003 roku na forum Elektroda.pl, od 2008 roku członek zespołu redakcyjnego.
    ghost666 napisał 9961 postów o ocenie 8221, pomógł 157 razy. Mieszka w mieście Warszawa. Jest z nami od 2003 roku.
  • Sklep ElwronSklep Elwron