تیمی از پژوهشگران در کره جنوبی به‌تازگی نشان داده‌اند که سخت‌افزارهای آنالوگ مبتنی بر دستگاه‌های حافظه دسترسی اتفاقی الکتروشیمیایی یا ECRAM می‌توانند کارکرد محاسباتی هوش مصنوعی را به حداکثر دقت برسانند. در نتیجه این فناوری پتانسیل تجاری‌سازی دارد.

پیشرفت سریع فناوری هوش مصنوعی مقیاس‌پذیری سخت‌افزارهای دیجیتال حاضر (CPUها، GPUها، ASICها و غیره) را به مرزهای خود نزدیک کرده است. در نتیجه، پژوهش‌هایی اغاز شده‌اند تا کاربرد سخت‌افزارهای آنالوگ مخصوص را در محاسبات هوش مصنوعی بازدید کنند.

سخت‌افزارهای آنالوگ مقاومت نیمه‌رساناها را بر پایه ولتاژ یا جریان خروجی تنظیم و از یک آرایش نقطه تقاطع منفعت گیری می‌کنند. این آرایش طبق معمولً در دستگاه‌های حافظه‌ای منفعت گیری می‌شود که در آن‌ها سلول‌های حافظه در تقاطع‌های عمودی و افقی قرار دارند. این طراحی عمدتاً در دستگاه‌های حافظه نسل تازه همانند حافظه دسترسی اتفاقی مقاومتی (RRAM) و حافظه تحول فاز (PCM) منفعت گیری می‌شود و تراکم حافظه را افزایش و مصرف برق را افت می‌دهد.

آرایش نقطه تقاطع به دستگاه‌ها قابلیت پردازش موازی محاسبات هوش مصنوعی را می‌دهد. گرچه سخت‌افزارهای آنالوگ در ماموریت های محاسباتی خاص و پردازش دادهٔ مدام مزایایی نسبت به سخت‌افزارهای دیجیتال دارند، اما برآوردن الزامات متنوع یادگیری محاسباتی و استنتاج تا این مدت کاری چالش‌برانگیز است.

کاربرد دستگاه‌های ECRAM در هوش مصنوعی

تیم پژوهشی کره‌ای برای رفع‌کردن محدودیت‌های سخت‌افزارهای حافظه آنالوگ در حوزه هوش مصنوعی، روی ECRAM متمرکز شدند که هدایت الکتریکی را از طریق حرکت و تمرکز یون‌ها مدیریت می‌کند. برخلاف حافظه‌های نیمه‌رسانای سنتی، این دستگاه‌ها یک ساختار سه‌ایستگاهی با مسیرهای جداگانه برای خواندن و نوشتن داده‌ها دارند. این علتمی‌شود تا مصرف برق افت یابد.

پژوهشگران با پیروزی دستگاه‌های ECRAM با نیمه‌رساناهای سه‌ایستگاهی با آرایه ۶۴ در ۶۴ ساختند. آزمایش‌ها نشان می‌دادند که سخت‌افزار آن‌ها خصوصیات الکتریکی و راه‌گزینی عالی، به‌همراه یکپارچگی و بازدهی بالا داشتند.

در ادامه، پژوهشگران یک الگوریتم تیکی-تاکا را با پیروزی اجرا کردند و دقت محاسبات در تمرینات شبکه عصبی مصنوعی را به حداکثر رساندند. الگوریتم تیکی-تاکا یک الگوریتم پیشرفته مخصوص سخت‌افزارهای آنالوگ است که نام آن به تاکتیک فوتبالی معروفی با همین اسم اشاره می‌کند.

به‌طور خاص، پژوهشگران تاثییر خاصیت «نگه داری وزن» در تمرینات سخت‌افزاری را روی یادگیری نشان دادند و قبول کردند که تکنیک آن‌ها شبکه‌های عصبی مصنوعی را دچار سربار نمی‌کند. این به این معنی است که فناوری آن‌ها قابلیت تجاری‌سازی دارد.

تا پیش از این، بزرگ‌ترین آرایش دستگاه‌های ECRAM برای ذخیره و پردازش سیگنال‌های آنالوگ آرایه ۱۰ در ۱۰ می بود. پژوهشگران اکنون با پیروزی این دستگاه‌ها را در مقیاسی بزرگ‌تر و با خصوصیاتی متنوع برای هر دستگاه به‌کار برده‌اند.

پژوهشگران می‌گویند که با تحقق آرایش‌های مقیاس بزرگ بر پایه فناوری‌های حافظه تازه و گسترش الگوریتم‌های مخصوص سخت‌افزاهای آنالوگ، نشان داده‌اند که پتانسیل کارکرد محاسباتی هوش مصنوعی و منفعت‌وری انرژی این فناوری زیاد زیاد تر از راه حلهای دیجیتال است. آن‌ها نتایج کار خود را در ژورنال Science Advances انتشار کرده‌اند.