Bộ nhớ tích hợp chip Memristor AI , tiêu thụ năng lượng ít hơn hàng nghìn lần so với phương pháp CMOS
(Vn-Z.vn) Ngày 31 tháng 01, Nghiên cứu mới được công bố gần đây trên tạp chí học thuật quốc tế hàng đầu Nature Electronics cho thấy hệ thống bộ nhớ memristor có thể đồng thời tính toán và lưu trữ dữ liệu giống như tế bào thần kinh não người. Hệ thống đồng thời giải quyết hiệu quả các vấn đề chẩn đoán y tế bằng trí tuệ nhân tạo với mức tiêu thụ điện năng cực thấp.
Nghiên cứu này sử dụng kỹ thuật gồm các memristor giúp tăng tốc các ứng dụng học máy , năng lượng cần thiết cho việc đào tạo chỉ bằng một phần trăm nghìn năng lượng dựa trên các phương pháp CMOS kỹ thuật số. Điều này chứng tỏ tiềm năng phát triển memristor trong các ứng dụng mạng công suất thấp.
Bài báo liên quan đã được xuất bản trên tạp chí Nature Electronics trong tháng 01 năm 2021, Tiêu đề gốc của bài báo là (In situ learning using intrinsic memristor variability via Markov chain Monte Carlo sampling ").
Công nghệ lưu trữ mới mô phỏng các khớp thần kinh của tế bào não người
Memristor là công nghệ lưu trữ không bay hơi năng lượng thấp có thể mô phỏng một số đặc điểm cơ bản của tế bào thần kinh. Khoảng 50 năm trước, Giáo sư Cai Shaotang của Đại học California tại Berkeley đã tiên đoán về sự tồn tại của công nghệ này từ năm 1971. Nhưng phải đến năm 2008, HP Labs mới xuất bản một bài báo giới thiệu về thiết bị bộ nhớ truy cập ngẫu nhiên điện trở (RRAM) dựa trên TiO2 đây là bộ nhớ lưu trữ lần đầu tiên được phát triển.
Bản chất của công nghệ này là công tắc điện có thể ghi nhớ chúng đang bật hay tắt sau khi tắt nguồn. Tương tự như khớp thần kinh giữa các tế bào thần kinh não người, sự tăng hoặc giảm độ dẫn điện của nó được xác định bởi bao nhiêu dòng điện đã đi qua trong quá khứ.
Về mặt lý thuyết, memristor có thể giống như các nơ-ron có thể đồng thời tính toán và lưu trữ dữ liệu. Các nhà nghiên cứu tin rằng memristor có thể giảm đáng kể thời gian xử lý và năng lượng tiêu thụ của máy tính truyền thống để truyền dữ liệu qua lại giữa bộ xử lý và bộ nhớ.
Thiết bị này cũng có thể hoạt động tốt trong mạng nơ-ron thần kinh, hệ thống máy học sử dụng các khớp thần kinh và tế bào thần kinh tổng hợp để mô phỏng quá trình học tập của não người.
So với các thiết bị CMOS kỹ thuật số truyền thống, mức tiêu thụ năng lượng giảm nhiều lần. Thách thức đối với các ứng dụng memristor là sự thay đổi ngẫu nhiên của các thiết bị sử dụng công nghệ này. Theo tác giả đầu tiên của dự án Thomas Dalaty, kỹ sư điện tại Đại học Grenoble Alpes ở Pháp, cho biết rằng điện trở hoặc mức độ dẫn điện của một memristor phụ thuộc vào số lượng nhỏ các nguyên tử kết nối hai điện cực, điều này dẫn đến việc khó điều khiển các tính chất điện của các memristor.
Bộ nhớ được lập trình đi vòng giữa trạng thái có độ dẫn điện cao và trạng thái tắt độ dẫn điện thấp. Do quá trình ngẫu nhiên vốn có bên trong thiết bị, độ dẫn điện của memristor có thể khác nhau giữa trạng thái này và trạng thái tiếp theo.
Các nhà nghiên cứu tiết lộ rằng họ có thể thực hiện các thuật toán lấy mẫu có tên Markov chain Monte Carlo (MCMC, Markov chain Monte Carlo) nhằm chủ động sử dụng hành vi có thể dự đoán của memristor giải quyết một số nhiệm vụ học máy. So với hiệu suất của các thiết bị điện tử CMOS kỹ thuật số truyền thống, mức tiêu thụ năng lượng của mảng ghi nhớ của nhóm Dalgarti đã giảm 5 bậc độ lớn (100.000 lần).
Dargati giải thích rằng sự chênh lệch 100.000 lần tương đương với "sự chênh lệch chiều cao giữa Burj Khalifa, tòa nhà cao nhất thế giới và chiều cao của một đồng xu" Lý do sự chênh lệch lớn này vì memristor không cần chuyển qua lại giữa bộ xử lý và bộ nhớ. Giúp tiết kiệm rất nhiều thời gian và năng lượng cho dữ liệu.
Một trong những ứng dụng thực tế có nhiều tiềm năng của công nghệ memristor là các thiết bị có thể học, điều chỉnh và hoạt động ở "rìa", chẳng hạn như các thiết bị tiêu thụ điện năng thấp như hệ thống nhúng, thiết bị gia đình thông minh và hệ thống Internet of Things (IoT). Dalgati tin rằng ghi nhớ có thể giúp các thiết bị học tập tiên tiến trở thành hiện thực.
Trong nghiên cứu, sử dụng sự biến đổi ngẫu nhiên các memristor, các nhà nghiên cứu đã sử dụng 16.384 memristor thực hiện lấy mẫu Markov chain Monte Carlo và thực hiện các nhiệm vụ xác định mô ác tính cũng như phát hiện nhịp tim bất thường từ các bản ghi điện tâm đồ. Kết quả thử nghiệm cho thấy phương pháp mới này có tỷ lệ phát hiện cao hơn so với mạng nơ-ron tiêu chuẩn dựa trên công nghệ điện tử truyền thống. Nhóm nghiên cứu cũng sử dụng công nghệ này giải quyết các nhiệm vụ nhận dạng hình ảnh như chẩn đoán các mẫu mô vú ác tính.
Trong tương lai, công nghệ này có nhiều ứng dụng tiềm năng bao gồm việc cấy ghép các hệ thống cảnh báo sớm y tế thích ứng với tình trạng thay đổi của bệnh nhân theo thời gian. Dalgati cho biết họ đang tìm kiếm các ứng dụng tiên tiến bị giới hạn bởi năng lượng.
Theo quan điểm của ông, thách thức lớn tiếp theo là tích hợp tất cả các chức năng vào một con chip duy nhất có thể đưa ra sử dụng bên ngoài phòng thí nghiệm, con chip này có thể mất vài năm để ra mắt.
Hiện đang có những cuộc chạy đua giữa các ông lớn trong quá trình nghiên cứu và phát triển công nghệ Memristor. Kể từ khi nguyên mẫu HP memristor ra mắt, nghiên cứu về công nghệ này đang dần nóng lên , có hơn 100 tổ chức nghiên cứu đã tham gia cho đến nay. Không chỉ Anh, Đức, Hàn Quốc các quốc gia khác lần lượt tham gia cả những gã khổng lồ công nghiệp như Intel và IBM cũng đầu tư mạnh tay với sự hỗ trợ của quân đội Mỹ.
Trung Quốc cũng không đứng ngoài cuộc đua, Đại học Khoa học và Công nghệ Hoa Trung, Đại học Thanh Hoa, Đại học Bắc Kinh, Đại học Quốc phòng Công nghệ Quốc phòng và Viện Vi điện tử thuộc Học viện Khoa học Trung Quốc đã cùng tham gia dự án và đã đạt được một số thành tựu.
Thông tin thêm từ Wiki
Vn-Z.vn team tham khảo nguồn https://www.nature.com/articles/s41928-020-00523-3
Nghiên cứu này sử dụng kỹ thuật gồm các memristor giúp tăng tốc các ứng dụng học máy , năng lượng cần thiết cho việc đào tạo chỉ bằng một phần trăm nghìn năng lượng dựa trên các phương pháp CMOS kỹ thuật số. Điều này chứng tỏ tiềm năng phát triển memristor trong các ứng dụng mạng công suất thấp.
Bài báo liên quan đã được xuất bản trên tạp chí Nature Electronics trong tháng 01 năm 2021, Tiêu đề gốc của bài báo là (In situ learning using intrinsic memristor variability via Markov chain Monte Carlo sampling ").
Công nghệ lưu trữ mới mô phỏng các khớp thần kinh của tế bào não người
Memristor là công nghệ lưu trữ không bay hơi năng lượng thấp có thể mô phỏng một số đặc điểm cơ bản của tế bào thần kinh. Khoảng 50 năm trước, Giáo sư Cai Shaotang của Đại học California tại Berkeley đã tiên đoán về sự tồn tại của công nghệ này từ năm 1971. Nhưng phải đến năm 2008, HP Labs mới xuất bản một bài báo giới thiệu về thiết bị bộ nhớ truy cập ngẫu nhiên điện trở (RRAM) dựa trên TiO2 đây là bộ nhớ lưu trữ lần đầu tiên được phát triển.
Bản chất của công nghệ này là công tắc điện có thể ghi nhớ chúng đang bật hay tắt sau khi tắt nguồn. Tương tự như khớp thần kinh giữa các tế bào thần kinh não người, sự tăng hoặc giảm độ dẫn điện của nó được xác định bởi bao nhiêu dòng điện đã đi qua trong quá khứ.
Về mặt lý thuyết, memristor có thể giống như các nơ-ron có thể đồng thời tính toán và lưu trữ dữ liệu. Các nhà nghiên cứu tin rằng memristor có thể giảm đáng kể thời gian xử lý và năng lượng tiêu thụ của máy tính truyền thống để truyền dữ liệu qua lại giữa bộ xử lý và bộ nhớ.
Thiết bị này cũng có thể hoạt động tốt trong mạng nơ-ron thần kinh, hệ thống máy học sử dụng các khớp thần kinh và tế bào thần kinh tổng hợp để mô phỏng quá trình học tập của não người.
So với các thiết bị CMOS kỹ thuật số truyền thống, mức tiêu thụ năng lượng giảm nhiều lần. Thách thức đối với các ứng dụng memristor là sự thay đổi ngẫu nhiên của các thiết bị sử dụng công nghệ này. Theo tác giả đầu tiên của dự án Thomas Dalaty, kỹ sư điện tại Đại học Grenoble Alpes ở Pháp, cho biết rằng điện trở hoặc mức độ dẫn điện của một memristor phụ thuộc vào số lượng nhỏ các nguyên tử kết nối hai điện cực, điều này dẫn đến việc khó điều khiển các tính chất điện của các memristor.
Bộ nhớ được lập trình đi vòng giữa trạng thái có độ dẫn điện cao và trạng thái tắt độ dẫn điện thấp. Do quá trình ngẫu nhiên vốn có bên trong thiết bị, độ dẫn điện của memristor có thể khác nhau giữa trạng thái này và trạng thái tiếp theo.
Các nhà nghiên cứu tiết lộ rằng họ có thể thực hiện các thuật toán lấy mẫu có tên Markov chain Monte Carlo (MCMC, Markov chain Monte Carlo) nhằm chủ động sử dụng hành vi có thể dự đoán của memristor giải quyết một số nhiệm vụ học máy. So với hiệu suất của các thiết bị điện tử CMOS kỹ thuật số truyền thống, mức tiêu thụ năng lượng của mảng ghi nhớ của nhóm Dalgarti đã giảm 5 bậc độ lớn (100.000 lần).
Dargati giải thích rằng sự chênh lệch 100.000 lần tương đương với "sự chênh lệch chiều cao giữa Burj Khalifa, tòa nhà cao nhất thế giới và chiều cao của một đồng xu" Lý do sự chênh lệch lớn này vì memristor không cần chuyển qua lại giữa bộ xử lý và bộ nhớ. Giúp tiết kiệm rất nhiều thời gian và năng lượng cho dữ liệu.
Một trong những ứng dụng thực tế có nhiều tiềm năng của công nghệ memristor là các thiết bị có thể học, điều chỉnh và hoạt động ở "rìa", chẳng hạn như các thiết bị tiêu thụ điện năng thấp như hệ thống nhúng, thiết bị gia đình thông minh và hệ thống Internet of Things (IoT). Dalgati tin rằng ghi nhớ có thể giúp các thiết bị học tập tiên tiến trở thành hiện thực.
Trong nghiên cứu, sử dụng sự biến đổi ngẫu nhiên các memristor, các nhà nghiên cứu đã sử dụng 16.384 memristor thực hiện lấy mẫu Markov chain Monte Carlo và thực hiện các nhiệm vụ xác định mô ác tính cũng như phát hiện nhịp tim bất thường từ các bản ghi điện tâm đồ. Kết quả thử nghiệm cho thấy phương pháp mới này có tỷ lệ phát hiện cao hơn so với mạng nơ-ron tiêu chuẩn dựa trên công nghệ điện tử truyền thống. Nhóm nghiên cứu cũng sử dụng công nghệ này giải quyết các nhiệm vụ nhận dạng hình ảnh như chẩn đoán các mẫu mô vú ác tính.
Trong tương lai, công nghệ này có nhiều ứng dụng tiềm năng bao gồm việc cấy ghép các hệ thống cảnh báo sớm y tế thích ứng với tình trạng thay đổi của bệnh nhân theo thời gian. Dalgati cho biết họ đang tìm kiếm các ứng dụng tiên tiến bị giới hạn bởi năng lượng.
Theo quan điểm của ông, thách thức lớn tiếp theo là tích hợp tất cả các chức năng vào một con chip duy nhất có thể đưa ra sử dụng bên ngoài phòng thí nghiệm, con chip này có thể mất vài năm để ra mắt.
Hiện đang có những cuộc chạy đua giữa các ông lớn trong quá trình nghiên cứu và phát triển công nghệ Memristor. Kể từ khi nguyên mẫu HP memristor ra mắt, nghiên cứu về công nghệ này đang dần nóng lên , có hơn 100 tổ chức nghiên cứu đã tham gia cho đến nay. Không chỉ Anh, Đức, Hàn Quốc các quốc gia khác lần lượt tham gia cả những gã khổng lồ công nghiệp như Intel và IBM cũng đầu tư mạnh tay với sự hỗ trợ của quân đội Mỹ.
Trung Quốc cũng không đứng ngoài cuộc đua, Đại học Khoa học và Công nghệ Hoa Trung, Đại học Thanh Hoa, Đại học Bắc Kinh, Đại học Quốc phòng Công nghệ Quốc phòng và Viện Vi điện tử thuộc Học viện Khoa học Trung Quốc đã cùng tham gia dự án và đã đạt được một số thành tựu.
Thông tin thêm từ Wiki
Vn-Z.vn team tham khảo nguồn https://www.nature.com/articles/s41928-020-00523-3
