Разработан нейроморфный чип для запуска ИИ на гаджетах

Искусственный интеллект, например большие языковые модели или сверточные нейронные сети, может анализировать огромные объемы данных и мгновенно создавать соответствующий контент или выявлять значимые закономерности. Однако для работы на обычном оборудовании — смартфонах, ноутбуках, планшетах — такие системы потребляют слишком много энергии.

Последние десять лет инженеры-электронщики активно искали альтернативные аппаратные решения, которые сделали бы искусственный интеллект более рентабельным. Многие из этих систем называются нейроморфными, то есть они созданы на основе архитектуры и принципов работы человеческого мозга.

Новый подход к проектированию нейроморфных вычислительных систем был представлен в журнале Nature Electronics исследователями из Хуачжунского университета науки и технологий в Ухане и Китайского университета Гонконга. Основываясь на этой стратегии, они изготовили чип из дисульфида молибдена (MoS₂), двумерного полупроводника.

Между точностью и экономией

Масштабирование микроэлектроники из 2D-материалов ограничено компромиссом между точностью и энергоэффективностью. Методы повышения точности балансировки — например, увеличение рабочего напряжения для кодирования дополнительных состояний проводимости или схемы компенсации калибровки для сглаживания различий между компонентами — хороши для повышения производительности, но за счет увеличения энергопотребления.

Авторы разработали новую компактную электронную схему для вычислений с использованием искусственного интеллекта. Это вертикальная матрица «один транзистор — один резистор» на основе MoS₂ — сетки чередующихся и связанных между собой транзисторов и резисторов.

Кроме того, в статье представлена ​​новая схема свертки сигналов. Этот метод снижает энергопотребление без ущерба для точности моделей ИИ за счет снижения рабочего напряжения во время расчетов и минимизации разброса параметров между отдельными элементами.

"Наш подход использует два варианта свертки - по входному сигналу и по взвешенной проводимости. Мы заранее определяем сигналы для векторно-матричного умножения и реализуем эти схемы с использованием вертикальной матрицы MoS₂ 1T1R. В обоих случаях сигналы кодируются в два комбинированных свернутых значения. Свертка входного сигнала снижает рабочее напряжение, а свертка весовой проводимости обходит проблему межкомпонентных различий, расширяя точность весов", - объясняют исследователи.

Достойные результаты

Разработанный нейроморфный чип был протестирован в серии тестов, где он выполнял векторно-матричное умножение — базовую операцию для работы любых искусственных нейронных сетей. Скорость и точность работы сравнивались с системами без свертки сигнала.

«По сравнению с вычислениями с обычным (несверточным) сигналом наш метод снижает энергопотребление при умножении векторной матрицы до 90%, сохраняя при этом ту же точность и не требуя калибровки или компенсации», — сообщают авторы.

В будущем это исследование может вдохновить на создание других подобных методов свертки сигналов, которые позволят еще больше снизить энергопотребление нейроморфных вычислительных систем. А сам чип MoS₂ можно модифицировать и интегрировать в различные устройства для локального запуска алгоритмов искусственного интеллекта — от смартфонов до умных часов.