Исследователи Пекинского университета и Шанхайского института микросистем и информационных технологий Китайской академии наук совместно разр...
Исследователи из Пекинского университета и Шанхайского института микросистем и информационных технологий при Китайской академии наук успешно разработали чип нейродинамической системы на основе фазовых мемристоров.
Результаты этого исследования, опубликованные в журнале Science под названием «Суб-10-миллисекундная нейродинамическая система на основе фазовых мемристоров», представляют схему управления вычислениями в памяти, объединяющую физические свойства устройств с нейродинамическими алгоритмами.
Прототип системы снизил задержку одной итерации нейродинамической системы до 2,12 миллисекунды. В опубликованных экспериментах по сравнению с существующими специализированными ускорителями система значительно повысила скорость и энергоэффективность, а также обеспечила высокоточную реконструкцию поверхности коры головного мозга и генерацию трёхмерных сеток многообразий.
Нейродинамические системы объединяют выразительность нейронных сетей с механизмом непрерывной эволюции дифференциальных уравнений.
Это делает такие системы пригодными для задач, требующих моделирования физических систем, изменяющихся во времени, включая:
Однако вычислительные требования таких систем чрезвычайно высоки. Решение нейродинамических моделей обычно требует многократного численного интегрирования, оценки ошибок и поиска адаптивного шага. Каждая итерация может включать несколько оценок нейронной сети и частую передачу промежуточных данных между памятью и вычислительными блоками.
В традиционной архитектуре фон Неймана память и вычисления физически разделены. Данные многократно передаются между памятью, кэшем и арифметическими блоками в процессе вычислений. Эта передача данных сама по себе потребляет время и энергию, иногда превышая затраты на сами математические операции.
На протяжении почти полувека ключевая проблема оставалась нерешённой: как нейродинамические системы могут одновременно обеспечивать точное непрерывное моделирование и низкую задержку, необходимую для приложений реального времени?
Исследовательская группа использовала два программируемых свойства фазовых мемристорных устройств для решения вышеуказанной проблемы:
Исследователи не рассматривали эти физические эффекты просто как дефекты, требующие коррекции, а напрямую отображали их в полезные вычислительные операции.
Дрейф проводимости используется для реализации поиска адаптивного шага интегрирования in situ.
Многоуровневые состояния проводимости используются для операций умножения и накопления внутри массива памяти.
Это создаёт управляемую систему вычислений в памяти, где важные части нейродинамического алгоритма выполняются через физическое поведение самих устройств.
[Описание изображения]
Численные решатели не всегда используют одинаковый временной шаг.
Когда моделируемая система изменяется медленно, большой шаг может быть достаточно точным и уменьшить объём вычислений. Когда система изменяется быстро, требуется меньший шаг для контроля ошибок.
Традиционное оборудование с помощью цифровой логики многократно вычисляет, сравнивает и корректирует этот шаг. Новая система кодирует эффективный шаг интегрирования как состояние проводимости фазового устройства и использует его контролируемую физическую эволюцию в процессе поиска.
Результат заключается не просто в том, что память стала ближе к процессору, а в том, что устройства памяти напрямую участвуют в выполнении алгоритма.
Встроенные нейронные сети по-прежнему требуют хранения весов и выполнения матричных операций.
Исследовательская группа использовала точно запрограммированные многоуровневые состояния проводимости для представления этих весов в плотном массиве фазовой памяти. Умножение матрицы на вектор может выполняться непосредственно в массиве без многократной загрузки чисел в отдельные цифровые умножители и сумматоры.
Объединение поиска адаптивного шага и вывода нейронной сети в одной физической системе позволяет уменьшить:
Этот совместный дизайн устройства, алгоритма и архитектуры является основной причиной, по которой чип может снижать задержку, сохраняя точность моделирования.
Чип нейродинамической системы изготовлен по 40-нм технологии.
Общая площадь массива вычислений в памяти и массива дрейфа шага составляет всего 0,28 мм². Конструкция также включает поддерживающие схемы, такие как генератор импульсов программирования, аналого-цифровые преобразователи, драйверы и другую периферийную логику.
Чип работает на частоте 50 МГц. Один шаг интегрирования выполняется по девятиуровневому конвейеру, измеренная задержка итерации составляет 2,12 мс.
[Описание изображения]
| Параметр | Значение |
|---|---|
| Технология | 40 нм КМОП |
| Площадь комбинированного массива ENN-CIM и дрейфа шага | 0,28 мм² |
| Массив фазовой памяти | 147K ячеек 1T1R |
| Рабочая частота | 50 МГц |
| Интегрированный конвейер | 9 уровней |
| Задержка одной итерации | 2,12 мс |
| Устойчивость SET/RESET | 10¹⁰ циклов |
| Сообщаемый выход годных | более 99,9999% |
В статье система описывается как суб-10-миллисекундная нейродинамическая платформа, а измеренный результат одной итерации составляет 2,12 миллисекунды.
Исследовательская группа сравнила систему с передовыми специализированными аппаратными средствами для нейродинамических систем и графическим процессором NVIDIA A100 в задачах высокоточного моделирования.
Для одного и того же класса нейродинамических вычислений сообщается, что чип достигает:
| Сравнение | Сообщаемый результат |
|---|---|
| Скорость vs. специализированные ASIC для нейродинамических систем | В 3,82–36,27 раза быстрее |
| Энергопотребление vs. специализированные ASIC для нейродинамических систем | В 11,75–24,73 раза ниже |
| Скорость vs. NVIDIA A100 (моделирование коры) | В 50,38–478,18 раза быстрее |
Эти данные относятся к конкретным задачам и системам. Их не следует интерпретировать как утверждение, что данный прототип в целом быстрее A100 в универсальных рабочих нагрузках ИИ.
Ускоритель спроектирован для определённого класса нейродинамических вычислений. Его преимущество обусловлено тесным отображением вычислительных задач на характеристики фазовых устройств и устранением значительного объёма перемещения данных, необходимого для универсальных цифровых аппаратных средств.
Исследовательская группа использовала чип для реконструкции поверхностей белого и серого вещества коры и генерации трёхмерных сеток многообразий.
Система начинается с замкнутого шаблона нулевого рода и эволюционирует к целевой структуре мозга через нейродинамический процесс. Путь интегрирования должен оставаться гладким, сохраняя топологическую инвариантность поверхности.
(Здесь изображение, описание см. выше)
Сообщаемые результаты показывают, что сгенерированные поверхности коры обладают следующими свойствами:
Результаты реконструкции показали хорошие показатели по следующим геометрическим критериям оценки:
Эти показатели измеряют, насколько хорошо реконструированная поверхность соответствует эталонной структуре, включая среднее отклонение и более экстремальные граничные ошибки.
Модели поверхности мозга полезны не только потому, что внешне похожи на мозг.
Они также должны иметь корректную геометрическую структуру.
Самопересечения, полости и немногообразные области могут привести к ненадёжному анализу в дальнейшем, влияя на анатомические измерения, навигацию, моделирование и сравнительный анализ между временными точками или пациентами.
Нейродинамический подход, постоянно деформируя валидный шаблон к целевой форме при хорошо контролируемом процессе эволюции, позволяет сохранить топологию исходной поверхности, одновременно адаптируясь к сложным анатомическим структурам.
Будущие интерфейсы мозг-компьютер (BCI) должны выполнять гораздо больше, чем просто распознавание сигналов и запуск команд.
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
Передовые системы могут потребовать следующих способностей:
Этот процесс очень чувствителен к задержке. Модели состояния мозга, требующие длительной автономной обработки, не могут обеспечить настоящий интерактивный отклик.
Миллисекундные нейродинамические вычисления могут поддерживать более персонализированные и постоянно обновляемые представления нейронного состояния, что потенциально способствует продвижению BCI от базовой классификации сигналов к моделированию в реальном времени и адаптивному взаимодействию.
Текущий результат является исследовательским прототипом, а не готовым к имплантации процессором для BCI. Дальнейшие разработки потребуются в области системной интеграции, надёжности, медицинской валидации, упаковочных технологий, сбора данных и регуляторного одобрения.
Исследование также раскрывает перспективы применения в области медицинской визуализации и вычислительной нейронауки.
Возможные будущие направления включают:
Для таких заболеваний, как болезнь Альцгеймера и Паркинсона, тонкие изменения структуры и функции мозга могут иметь клиническое значение.
Более быстрые методы моделирования позволяют исследователям или клиницистам анализировать эти изменения в более интерактивном режиме.
Однако сам чип не обладает функциями диагностики заболеваний. Любое клиническое применение требует проверенных медицинских моделей, репрезентативных наборов данных, проспективных исследований, системных тестов безопасности и соответствующего нормативного контроля.
В сопутствующей статье, опубликованной в журнале Science, отмечается, что данное исследование представляет собой смену парадигмы в сторону вычислений, основанных на физических свойствах устройств.
Традиционные цифровые проекты обычно направлены на подавление аналогового поведения, вариативности параметров и дрейфа устройств. Данный проект пошёл другим путём, выявляя физические характеристики устройств, которые могут представлять компоненты целевых алгоритмов, и строя вычислительные системы вокруг этих характеристик.
Такой подход особенно ценен в постмуровскую эпоху, когда простое уменьшение транзисторов уже не позволяет устойчиво улучшать показатели стоимости, энергопотребления и производительности.
Новые системы всё чаще полагаются не только на меньшие транзисторы, но и на интеграцию:
энергонезависимых запоминающих устройств
Чип на фазовых мемристорах является лишь одним из примеров этого более широкого направления исследований.
Проект возглавляли команды профессора Ян Юйчао из Пекинского университета и исследователя Сун Чжитана из Шанхайского института микросистем и информационных технологий Китайской академии наук.
В статье журнала Science указано, что первым автором является Лэй Кай. В официальном отчёте также упоминаются соавторы, участвовавшие в исследовании: Тао Яоюй, Се Чэньчэнь, Янь Лунхао, Чжу Исинь и другие.
Работа получила поддержку следующих проектов и организаций:
Статья опубликована в журнале Science, том 393, выпуск 6806, страницы 105–112, DOI: 10.1126/science.aee6277.
Результаты исследования значительны, однако необходимо указать на определённые ограничения.
Чип оптимизирован для задач, связанных с нейродинамическими системами, и его не следует рассматривать как взаимозаменяемый с GPU универсальный процессор.
В статье представлена система, изготовленная и экспериментально проверенная, но масштабирование производства, долгосрочная надёжность в полевых условиях, стоимость упаковки, цепочка программных инструментов и развёртывание остаются самостоятельными инженерными задачами.
Хотя реконструкция мозга носит демонстрационный характер, для клинической диагностики или вмешательства требуется гораздо больше медицинских доказательств.
Фазовые устройства подвержены вариативности, дрейфу, нелинейности и чувствительности к окружающей среде. Значимость данного исследования заключается в контроле и использовании некоторых из этих свойств, а не в доказательстве того, что все проблемы аналогового аппаратного обеспечения решены.
Нейродинамическая система объединяет нейронные сети с непрерывными дифференциальными уравнениями, что позволяет моделировать эволюцию физических или биологических состояний, а не просто выдавать статические предсказания.
Фазовые мемристорные устройства хранят информацию путём изменения управляемого состояния материала, генерируя различные уровни проводимости. Их проводимость может быть запрограммирована, сохранена и непосредственно использована для вычислений в памяти.
Это означает, что запоминающее устройство выполняет полезные вычисления, одновременно сохраняя данные. В данном чипе управляемый дрейф проводимости поддерживает поиск с адаптивным шагом, а многоуровневая проводимость — операции умножения и накопления для нейронных сетей.
Сообщается, что прототип системы выполняет одну нейродинамическую итерацию за 2,12 миллисекунды. В статье полная платформа описывается как система с временем менее 10 миллисекунд.
чем NVIDIA A100?
В задаче реконструкции поверхности коры головного мозга, протестированной исследователями, система оказалась быстрее, по сообщениям, в 50,38–478,18 раза. Это сравнение для конкретной рабочей нагрузки и не означает превосходства в производительности общего искусственного интеллекта.
Нейродинамический чип изготовлен по 40-нанометровому КМОП-техпроцессу. Общая площадь его массивов для вычислений в памяти и дрейфа шага составляет 0,28 квадратных миллиметра.
Пока нет, как готовый клинический продукт. Данное исследование закладывает возможную аппаратную основу для будущего моделирования состояния мозга в реальном времени, но практическое применение интерфейсов мозг-компьютер потребует дальнейшей системной интеграции, валидации и нормативной работы.
Статья опубликована в журнале Science под названием «Суб-10-миллисекундная нейродинамическая система на основе фазовых мемристоров». Её DOI: 10.1126/science.aee6277.
Исследователи из Пекинского университета и Китайской академии наук создали нейродинамический
системный чип на фазовых мемристорах, реализующий управляемые вычисления в памяти. Устройство отображает дрейф проводимости в поиск с адаптивным шагом интегрирования и использует многоуровневую проводимость для нейросетевых вычислений.
Этот образец, изготовленный по 40-нм техпроцессу, требует всего 2,12 миллисекунды на итерацию, демонстрируя значительные преимущества в скорости и энергопотреблении по сравнению с существующими специализированными ускорителями. В задаче реконструкции поверхности коры он генерировал гладкие, замкнутые и топологически согласованные модели мозга с задержкой, намного меньшей, чем у протестированных GPU.
В настоящее время этот чип остаётся специализированным исследовательским прототипом, его применение в медицине и интерфейсах мозг-компьютер относится к перспективным изысканиям. Однако данное исследование доказывает: новые физические свойства памяти могут использоваться как активный вычислительный ресурс, а не просто как механизм хранения.
Ключевой прорыв заключается не просто в создании более быстрого чипа — а в превращении фазового поведения памяти в неотъемлемую часть самих нейродинамических вычислений за счёт совместного проектирования устройств и алгоритмов.
Начните с одной фразы и получите полноценный сайт за считанные минуты.
