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
Memristor là linh kiện bán dẫn hai cực thụ động phi tuyến, dựa trên thuyết liên quan đến điện tích và liên kết từ thông. Nó được nhà lý thuyết mạch Leon Chua đưa ra năm 1971, và được đặt tên theo ghép từ của "memory-resistor", nghĩa chữ là "điện trở bộ nhớ".
Theo các mối quan hệ toán học đặc trưng, memristor vận hành giả thuyết theo cách sau: điện trở của memristor không phải là hằng số mà phụ thuộc vào lịch sử dòng điện chạy qua linh kiện, tức là điện trở hiện tại của nó phụ thuộc vào cách thức các điện tích đã chảy theo hướng nào trong quá khứ; linh kiện ghi nhớ lịch sử của nó - thuộc tính được gọi là không suy biến . Khi tắt nguồn điện, bộ nhớ ghi nhớ điện trở gần đây nhất cho đến khi nguồn nuôi được bật lại
Năm 2008 một nhóm tại HP Labs tuyên bố đã tìm thấy memristor bị mất tích của Chua dựa trên phân tích một màng mỏng titan dioxit, nhờ đó kết nối hoạt động của các linh kiện ReRAM (Resistive random-access memory) với khái niệm memristor. Kết quả HP công bố trên tạp chí khoa học Nature . Theo tuyên bố này, Leon Chua đã lập luận rằng định nghĩa memristor có thể được khái quát hóa để bao quát tất cả các dạng của linh kiện bộ nhớ cố định (non-volatile) hai ngõ dựa trên hiệu ứng chuyển đổi điện trở . Chua cũng lập luận rằng memristor là phần tử mạch lâu đời nhất được biết đến, với các hiệu ứng của nó trước các điện trở, tụ điện và cuộn cảm [ Dẫu vậy thì vẫn có một số nghi ngờ đáng kể về việc liệu một memristor chân thực có thực sự tồn tại trong thực tế vật lý hay không
Ngoài ra, một số bằng chứng thực nghiệm mâu thuẫn với sự khái quát của Chua vì hiệu ứng pin nano phi-thụ động có thể quan sát được trong bộ nhớ chuyển đổi điện trở . Một thử nghiệm đơn giản đã được Pershin và Di Ventra đề xuất để phân tích xem một memristor lý tưởng hay tổng quát như vậy có thực sự tồn tại hay là một khái niệm toán học thuần túy. Cho đến nay, dường như không có linh kiện chuyển mạch điện trở thực nghiệm (ReRAM) nào vượt qua được thử nghiệm.
Các linh kiện này được dành cho các ứng dụng trong bộ nhớ điện tử nano (nanoelectronic), logic máy tính và các kiến trúc máy tính neuromformic / neuromemristive Vào năm 2013, CTO Hewlett-Packard là Martin Fink đã đề xuất rằng bộ nhớ memristor có thể có mặt trên thị trường vào đầu năm 2018 .Tháng 3 năm 2012, một nhóm các nhà nghiên cứu từ Phòng thí nghiệm HRL (HRL Laboratories) và Đại học Michigan công bố mảng memristor hoạt động đầu tiên được xây dựng trên một chip CMOS.
Vn-Z.vn team tham khảo nguồn https://www.nature.com/articles/s41928-020-00523-3
BÀI MỚI ĐANG THẢO LUẬN