IBM nutzt analoges Computing für künstliche Intelligenz, um das KI-Computing neu zu gestalten

IBM hat nach Möglichkeiten gesucht, die Art und Weise, wie künstliche Intelligenz rechnet, neu zu gestalten. IBM-Forscher haben einen Artikel veröffentlicht, der einen Durchbruch bei der Nutzung analoger Datenverarbeitung für künstliche Intelligenz (KI) beschreibt.

Beim Aufbau eines künstlichen Intelligenzsystems muss das Datenmodell trainiert werden. Dabei werden verschiedenen Teilmengen von Trainingsdaten, beispielsweise Bilddaten, die unterschiedliche Merkmale von Katzen beschreiben, unterschiedliche Gewichte zugewiesen.

Beim Training eines KI-Systems auf einem herkömmlichen (digitalen) Computer wird das KI-Modell verstreut im Speicher gespeichert. Rechenaufgaben erfordern eine ständige Datenübertragung zwischen Speicher und Verarbeitungseinheiten. Laut IBM verlangsamt dieser Prozess die Rechenleistung und schränkt die erreichbare Energieeffizienz ein.

Der Einsatz analoger Datenverarbeitung für künstliche Intelligenz bietet möglicherweise eine effizientere Möglichkeit, die gleichen Ergebnisse zu erzielen wie künstliche Intelligenz, die auf digitalen Computern ausgeführt wird. IBM definiert simuliertes In-Memory-Computing oder simulierte künstliche Intelligenz als eine Technologie, die wichtige Merkmale der Funktionsweise neuronaler Netze in biologischen Gehirnen übernimmt. Forscher sagen, dass im Gehirn von Menschen und vielen anderen Tieren die Stärke der Synapsen, sogenannte Gewichte, die Kommunikation zwischen Neuronen bestimmt.

IBM sagte, dass in simulierten künstlichen Intelligenzsystemen diese synaptischen Gewichte in situ in den Leitfähigkeitswerten von nanoskaligen Widerstandsspeichergeräten wie Phasenwechselspeichern (PCM) gespeichert werden. Anschließend werden sie in tiefen neuronalen Netzen verwendet, um kumulative Multiplikationsoperationen durchzuführen.

IBM sagt, dass diese Technologie die Notwendigkeit reduzieren kann, ständig Daten zwischen Speicher und Prozessoren zu senden.

In einem in Nature Electronics veröffentlichten Artikel stellte IBM Research einen analogen Mixed-Signal-Chip für künstliche Intelligenz vor, der verschiedene Inferenzaufgaben für tiefe neuronale Netze (DNN) ausführen kann. Laut IBM ist dies der erste analoge Chip, der in Tests sowohl Computer-Vision-KI-Aufgaben als auch digitale Chips ausführt und energieeffizienter ist als letztere.

Der Chip wird im Albany Nanotechnology Center von IBM hergestellt. Es besteht aus 64 analogen Speicher-Rechenkernen (oder Chips), die jeweils ein 256 x 256 großes Crossbar-Array synaptischer Zellen enthalten. Laut IBM ist in jeden Chip ein zeitbasierter Analog-Digital-Wandler integriert, der analoge und digitale Daten umwandelt. Jeder Chip integriert außerdem leichte digitale Verarbeitungseinheiten, die laut IBM nichtlineare Neuronenaktivierungsfunktionen und Skalierungsoperationen ausführen können.

IBM gab an, dass jeder Chip Berechnungen im Zusammenhang mit einer Schicht des DNN-Modells durchführen kann. Die Autoren des Papiers sagten: „Mit diesem Chip haben wir die umfassendste Studie zur Rechengenauigkeit analoger Speicherberechnungen durchgeführt und eine Genauigkeit von 92,81 % für den CIFAR-10-Bilddatensatz erreicht.“

Das obige ist der detaillierte Inhalt vonIBM nutzt analoges Computing für künstliche Intelligenz, um das KI-Computing neu zu gestalten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!