محققان برای آموزش بهتر هوش مصنوعی سختافزارهای مبتنی بر دستگاههای آنالوگ را توسعه دادند که با مصرف انرژی کمتر میتوانند محاسبات مربوط به هوش مصنوعی را با دقت بالاتری انجام دهند.
به گزارش سرویس اخبار فناوری و تکنولوژی تکنا، پژوهشگران کره جنوبی اخیراً از سختافزارهای آنالوگ که مبتنی بر دستگاه حافظه دسترسی تصادفی از نوع الکتروشیمیایی ECRAM هستند برای آموزش هوش مصنوعی و عملکرد محاسباتی آنها با دقت بسیار زیاد استفاده کردهاند. به گفته این پژوهشگران سختافزارهای آنالوگ میتوانند پتانسیل تجاریسازی داشته باشند.
سرعت پیشرفت فناوری هوش مصنوعی باعث شده تا مقیاس پذیری سختافزارهای دیجیتال موجود مانند پردازندهها به حداکثر برسد. از این رو پژوهشگران تلاش دارند تا کاربرد سختافزارهای آنالوگ مخصوص را در محاسبات این فناوری مورد بررسی قرار دهند.
سختافزارهای آنالوگ مقاومت نیمه رسانهها را طبق ولتاژ یا جریان خروجی تنظیم کرده و این کار را با استفاده از یک آرایش نقطه تقاطع انجام میدهند. این آرایش اغلب در دستگاههای حافظهای مورد استفاده بوده و در آن سلولهای حافظه به شکل عمودی و افقی در تقاطعها قرار میگیرند. این طراحی حافظههای دسترسی تصادفی مقاومتی و حافظههای تغییر فاز مورد استفاده قرار گرفته و باعث افزایش تراکم حافظه و مصرف برق کمتر میشود. این نوع آرایش میتواند امکان پردازش موازی محاسبات هوش مصنوعی را برای دستگاهها فراهم کند. بنابراین سختافزارهای آنالوگ نسبت به سختافزارهای دیجیتال مزایایی در زمینه محاسباتی خاص و پردازش داده پیوسته خواهند داشت. البته برخی موارد مانند الزامات متنوع یادگیری برآوردهای محاسباتی و استنتاجی هنوز به عنوان چالشهای مهم باقی ماندند.
تیم پژوهشگران کرهای برای حذف محدودیتهای سختافزارهای حافظه آنالوگ در فناوریهای مرتبط با هوش مصنوعی به تمرکز روی ECRAM پرداختند. این حافظه میتواند مدیریت بهتری روی هدایت الکتریکی از طریق حرکت و تمرکز یونها انجام دهد. بنابراین پژوهشگران به ساخت دستگاههای ECRAM با کمک نیمه رسانههای ۳ ایستگاهی و آرایههای ۶۴ در ۶۴ پرداختند. آزمایشها نشان میدهند سختافزار ساخته شده خصوصیات الکتریکی مناسبتری داشته و راه حلی عالی به همراه یکپارچگی و بازدهی بالا ارائه خواهد کرد.
پیشنهاد ویژه : کسب درآمد با بازی همستر |
پیشنهاد ویژه : قیمت ارز دیجیتال |
پیشنهاد ویژه : تعمیر کامپیوتر تهران |
پیشنهاد ویژه |
9th November 24