初め！プログラム可能なメモリスタコンピュータが誕生しました！

[[271164]]

人類史上初のプログラム可能なメモリスタ コンピュータが誕生しました。音声コマンドをクラウドに送信して解釈する必要がなくなりました。代わりに、AI プロセッサを介してスマートフォン上で直接完了できるため、応答時間が大幅に短縮されます。医療機器など、プライバシーを重視するシナリオでは、セキュリティとプライバシーが向上します。

将来、スマートフォンが複雑な AI タスクを直接処理できるようになる可能性があると考えたことはありますか?鍵はそこにあります。人類史上初のプログラム可能なメモリスタ コンピュータです。

ミシガン大学で開発されたプログラム可能なメモリスタ コンピュータは、外部のコンピュータによって操作される単なるメモリスタの配列ではなく、スマートフォンやセンサーなどの小型でエネルギーが制限されたデバイス上で人工知能タスクを直接処理できます。

つまり、将来的には、音声コマンドをクラウドに送信して解釈する必要がなくなり、AIプロセッサを介してスマートフォン上で直接完了できるようになり、応答時間が大幅に短縮されます。医療機器など、プライバシーを重視するシナリオでは、より優れたセキュリティとプライバシーを実現できます。

人工知能の強力な計算能力がもたらす悪影響の 1 つは、膨大なエネルギー消費です。誰もがスマートフォンに AI プロセッサを搭載することを望んでいますが、1 日に 12 回もスマートフォンを充電する必要はありません。

メモリスタが機械学習に適している理由

ここで言及されている高度なコンピュータ コンポーネントであるメモリスタは、情報のストレージとして使用できるメモリと可変抵抗を備えた抵抗器です。

メモリスタは情報を同じ場所に保存して処理するため、計算速度と電力消費の大きな障害であるメモリとプロセッサ間の接続を排除できます。

これは、写真やビデオ内の物体を識別したり、どの病院患者の感染リスクが高いかを予測したりするなど、大量のデータを処理する機械学習アルゴリズムにとって特に重要です。

今日では、プログラマーはこれらのアルゴリズムを CPU ではなくグラフィックス プロセッシング ユニット (GPU) で実行することに慣れています。

「GPU、つまりカスタム最適化されたデジタル回路は、電力とスループットの点でCPUよりも10～100倍優れていると考えられています」とLu氏は語った。 「Mmristor AI プロセッサは 10 ～ 100 倍優れている可能性があります。」

GPU は、同時に計算を実行できる数千の小さなコアを備えているため、機械学習タスクに優れています。メモリスタ アレイはさらに一歩進んでおり、各メモリスタが独立して計算を実行できるため、コアは一度に数千の操作を実行できます。

実験に使用されたコンピュータには 5,800 個以上のメモリスタが搭載されています。商業利用の場合、数百万に達する可能性があります。

[[271165]]

メモリスタアレイは、機械学習アルゴリズムがデータをベクトルに変換するため、機械学習タスクの解決に特に適しています。たとえば、病院内で患者の感染リスクを予測する場合、ベクターは感染リスクをもたらす要因を数値形式でリスト化できます。

次に、機械学習アルゴリズムはこれらの「入力」ベクトルをメモリ内の「特徴」ベクトルと比較します。一致した場合、システムは入力データにその特性があることを認識します。ベクトルは数学的なスプレッドシートと同様に行列に格納され、これらの行列はメモリスタアレイに直接マッピングできます。

さらに、データがアレイを通じてフィードバックされると、数学的処理のほとんどはメモリスタ内の自然抵抗を介して行われるため、特徴ベクトルをメモリ内外に移動することによって発生する余分な計算が不要になります。これにより、配列は複雑な行列計算において非常に効率的になります。

これまでの研究では、メモリスタアレイが機械学習を加速させる可能性があることが実証されていますが、動作させるには外部のコンピューティング要素が必要です。

プログラム可能なメモリスタコンピュータの構築

最初のプログラム可能なメモリスタ コンピュータを構築するために、Lu 氏のチームは、ミシガン大学の電気およびコンピュータ工学の准教授 Zhengya Zhang 氏および Michael Flynn 教授と協力し、メモリスタ アレイと、それをプログラムして実行するために必要な他のすべてのコンポーネントを統合するチップを設計しました。

これらのコンポーネントには、従来のデジタル プロセッサと通信チャネルのほか、アナログ メモリスタ アレイとコンピューターの残りの部分との間のインタープリターとして機能するデジタル/アナログ コンバータが含まれます。

その後、Lu 氏のチームは、UM の Lurie ナノファブリケーション施設でメモリスタ アレイをチップ上に直接統合しました。また、メモリスタアレイのマトリックス構造に機械学習アルゴリズムをマッピングするソフトウェアも開発しました。

チームは、3 つの基本的な機械学習アルゴリズムを使用してデバイスのデモンストレーションを行いました。

• 情報を分類するために使用されるパーセプトロン。不完全なギリシャ文字を100%の精度で認識できる
• スパースコーディング、特に画像のデータの圧縮と分類。コンピューターは、一連の画像を再構築し、そのパターンを 100% の精度で識別する最も効率的な方法を見つけることができました。
• 複雑なデータ内のパターンを見つけるために設計された 2 層ニューラル ネットワーク。この 2 層ネットワークは、乳がん検診データの共通点と相違点を見つけ、各症例を 94.6% の精度で悪性か良性かに分類しました。

商業利用の拡大には課題がある。しかし、ルー氏はこの技術を商業化する計画だ。この研究のタイトルは「効率的な積和演算のための完全に統合された再プログラム可能なメモリスタ-CMOS システム」です。