密歇根大学研发了第一个可编程植入忆阻器电脑,将人工智能处理从云端拉下来
浏览量: 707
时间: 2019-07-22 02:53
关键词: 忆阻器,机器学习
图|插入自制电脑芯片的忆阻器组芯片,用于构成第一个忆阻器计算机。该团队证明它可以运行三种标准机器学习算法(图片来源: Robert Coelius, Michigan Engineering)
AI智能手机处理器的产生意味着语音命令不再需要被发送到云上解读,这加快了响应时间。密歇根大学电气和计算机工程教授,自然电子学研究的资深作者Wei Lu说:“每个人都想在智能手机上安装一个AI处理器,但是不想让手机电池消耗得很快。”
在医疗设备中,能够在没有云参与的情况下运行智能算法,会有更好的安全性和隐私性。
为什么忆阻器对机器学习有好处?
使这一切成为可能的关键也许是一种名为忆阻器的先进计算机组件。忆阻器是一个带有存储器的电阻器,它有一个可变电阻可以作为信息存储的一种形式。因为忆阻器在同一个位置存储和处理信息,它们可以克服计算速度和能力的最大瓶颈:内存和处理器之间的连接。
处理大量的数据来识别照片和视频中的物体,或者预测哪些医院病人感染的风险更高,这对机器学习算法尤为重要。程序员已经喜欢上在图形处理单元上运行这些算法,而不是在计算机的中央处理单元上进行。
Lu说:“GPUs和定制的优化数字电路被认为在性能和吞吐量上比CPUs大约强10 - 100倍。忆阻器人工智能处理器可能进一步提高10 - 100倍。”
GPUs执行机器学习任务时性能更好,是因为他们在运行计算时有成千上万的核心同时工作,相对的,在一个CPU中只在少数几个强大的核心中的一个里进行轮流的字符串计算。
忆阻器组更加进一步。每一个忆阻器能够做自己的计算,它允许成千上万的操作在一个核心中一次执行。在这个试验版电脑中有超过5800个忆阻器。商业设计的电脑可能包括数以百万计的忆阻器。
图|Wei Lu和第一作者Seung Hwan Lee,手持忆阻器组的电子工程专业博士生(图片来源:Robert Coelius, Michigan Engineering)
忆阻器组尤其适合解决机器学习问题。这是因为机器学习算法的方式是把数据转化为向量,本质上来说也就是数据点的列表。例如,预测病人在某家医院感染的风险,这个向量可能列出一些数字来表示病人的各种风险因素。
然后,机器学习算法比较这些“输入”向量与存储器中的“特性”向量。这些特征向量表示了某些特征数据(比如一个潜在疾病的存在)。如果匹配,系统就会知道输入数据具有这项特征。向量存储在矩阵中,就像数学的电子表格,并且这些矩阵可以直接映射到忆阻器阵列中。
除此之外,因为数据与数组连接起来,大部分的数学处理都通过忆阻器中的固有电阻进行,所以不需要从存储器中移出和移入特征向量来执行计算。这使得忆阻器组在复杂的矩阵计算中非常高效。早期的研究表明了忆阻器组在加快机器学习方面的潜力,但是它们需要外部计算元件来运行。
构建一个可编程的忆阻器电脑
为了建造第一台可编程的忆阻器电脑,Lu的团队与密歇根大学电子与计算机工程学院的Zhengya Zhang副教授和Michael Flynn教授合作,设计了一个芯片,它能将忆阻器组和运行需要的其它元件集成在一起。组件包括传统的数字处理器和沟通渠道,以及数字/模拟转换器作为模拟忆阻器组和计算机的其它部分之间的翻译器。
然后,Lu的团队直接将忆阻器组集成在了密歇根大学的Lurie奈米制造设备上。他们也开发了软件将机器学习算法映射到忆阻器组的类矩阵结构中。
该团队用了三个实用的机器学习算法来演示这一设备:
1.感知器,用于分类信息。它们能够识别残缺的希腊字母,准确率达到100%;
2.稀疏编码,用于压缩和分类数据,尤其是图像。计算机能找到最有效的方式来重建图像和识别模式,准确率为100%;
3.两层神经网络,用来发现复杂的数据中的模式。这两层网络在乳腺癌筛查数据中发现共性和区别因素,然后分类出每种情况下是恶性还是良性,准确率达到了94.6%。
忆阻器用于商业使用还据具有挑战性,忆阻器还不能像需求的那样制作均一,并且相同的数组中存储的信息并不完全可靠,这是因为它通过模拟的连续体运行,而不是非此即彼的数字。这些都是Lu的团队未来研究的方向。
Lu计划将这项技术商业化。这项研究名为“一个用于有效复杂操作的完全集成的可重复编程忆阻器-CMOS系统。”
参考:https://techxplore.com/news/2019-07-programmable-memristor-aims-ai-cloud.html
[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。