Разработан нейроморфный чип для работы ИИ на гаджетах
Искусственный интеллект — например, большие языковые модели или сверточные нейросети — способен анализировать огромные массивы данных и мгновенно выдавать нужный контент или выявлять значимые закономерности. Однако для работы на обычном «железе» — смартфонах, ноутбуках, планшетах — такие системы потребляют слишком много энергии.
Последние лет десять инженеры-электронщики активно ищут альтернативные аппаратные решения, которые позволяли бы сделать ИИ экономичнее. Многие из этих систем называются нейроморфными — то есть сконструированы они по мотивам архитектуры и принципов работы человеческого мозга.
Новый подход к проектированию нейроморфных вычислительных систем представили в журнале Nature Electronics исследователи из Хуачжунского университета науки и технологии в Ухане и Китайского университета Гонконга. На основе этой стратегии они изготовили чип из дисульфида молибдена (MoS₂) — двумерного полупроводника.
Между точностью и экономичностью
Масштабирование микроэлектроники из двумерных материалов ограничено компромиссом между точностью и энергоэффективностью. Методы повышения точности весов — например, повышение рабочего напряжения для кодирования дополнительных состояний проводимости или калибровочно-компенсационные схемы для сглаживания различий между компонентами — хорошо улучшают производительность, но ценой роста потребляемой мощности.
Авторы разработали новую компактную электронную схему для ИИ-вычислений. Она представляет собой вертикальную матрицу «один транзистор — один резистор» на основе MoS₂ — сетку из чередующихся и взаимосвязанных транзисторов и резисторов.
Кроме того, в статье представлена новая схема свертки сигнала. Этот метод снижает энергопотребление, не жертвуя точностью ИИ-моделей, за счет уменьшения рабочего напряжения во время вычислений и минимизации разброса параметров между отдельными элементами.
«Наш подход использует два варианта свертки — по входному сигналу и по весовой проводимости. Мы предопределяем сигналы для перемножения вектора на матрицу и реализуем эти схемы с помощью вертикальной MoS₂-матрицы 1T1R. В обоих случаях сигналы кодируются в две комбинированные свернутые величины. Свертка входного сигнала снижает рабочее напряжение, а свертка весовой проводимости обходит проблему межкомпонентных различий, расширяя точность весов», — объясняют исследователи.
Достойные результаты
Разработанный нейроморфный чип проверили в серии тестов, где он выполнял перемножение вектора на матрицу — базовую операцию для работы любых искусственных нейросетей. Скорость и точность работы сравнивали с системами без свертки сигнала.
«По сравнению с вычислениями с помощью обычного (несвернутого) сигнала, наш метод сокращает энергопотребление векторно-матричного умножения до 90%, сохраняя ту же точность и не требуя калибровки или компенсации», — сообщают авторы.
В будущем это исследование может вдохновить на создание других похожих методов свертки сигнала, которые позволят еще сильнее уменьшить энергопотребление нейроморфных вычислительных систем. А сам MoS₂-чип можно будет доработать и интегрировать в самые разные устройства для локального запуска алгоритмов ИИ — от смартфонов до умных часов.
