高新技術企業
模擬電路人工智能神經網絡的前景
來源:IEEE電氣電子工程師學會
未來驅動人工智能的一些最佳電路可能是模擬電路，而不是數字電路，世界各地的研究團隊正在越來越多地開發支持此類模擬人工智能的新設備。
在驅動AI當前爆炸的深層神經網絡中，最基本的計算是乘法累加（MAC）運算。深度神經網絡由人工神經元層組成，在MAC操作中，每一層的輸出乘以它們與下一層連接的強度或“權重”值，然后將這些貢獻相加。
現代計算機有專門用于MAC操作的數字元件，但從理論上講，模擬電路可以用更少的能量進行這些計算。這種被稱為模擬AI、內存中計算或內存中處理的策略通常使用非易失性存儲器設備（如閃存、磁阻RAM（MRAM）、電阻RAM（RRAM）、相變存儲器（PCM）和更為深奧的技術）來執行這些乘法累加操作。
然而，韓國的一個團隊正在探索基于鐠鈣錳氧化物電化學RAM（ECRAM）設備的神經網絡，這種設備就像微型電池，以電導變化的形式存儲數據。研究在韓國浦項科技大學的主要作者ChuljunLee指出，神經網絡硬件在訓練期間和應用期間經常有不同的需求。例如，低能量屏障有助于神經網絡快速學習，但高能量屏障有助于它們保留所學知識，以便在應用過程中使用。
德國尤利希研究中心彼得·格倫伯格神經形態計算節點研究所所長、電氣工程師JohnPaulStrachan沒有參加這項研究。他說：“在訓練過程中，將設備加熱到100攝氏度左右，可以產生有利于訓練的特性。當它冷卻下來時，他們獲得了更長的保留時間和更低的電流操作的優勢。只需調整一個旋鈕，熱量，他們就可以在多個計算維度上看到改進。”研究人員于12月14日在舊金山舉行的IEEE國際電子設備會議（InternationalElectronDevicesMeeting(IEDM)）上詳細描述了他們的發現。
Strachan指出，這項工作面臨的一個關鍵問題是，經過多次加熱和冷卻后，ECRAM可能會面臨何種劣化。不過，“這是一個非常有創意的想法，他們的工作證明了這種方法可能有一些潛力。”
另一組研究了鐵電場效應晶體管(FEFET)。研究主要作者、圣母大學的KhandkerAkifAabrar解釋說，FEFET在每個晶體管內以電極化的形式存儲數據。
FEFET面臨的一個挑戰是，當它們縮小時，它們是否仍然可以顯示對AI應用程序有價值的模擬行為，或者它們是否會突然切換到只存儲一位信息的二進制模式，極化狀態為一種狀態或另一種狀態。
“這個團隊工作的優勢在于他們對所涉及材料的洞察，”Strachan說，他沒有參與這項研究，“鐵電材料可以被認為是由許多小磁疇組成的塊體，就像鐵磁體可以被認為是上下磁疇一樣。為了實現他們所希望的模擬行為，他們希望所有這些磁疇在外加電場的作用下緩慢地向上或向下排列，而不是出現一個失控的過程，在這個過程中它們都會向上或向下移動。”因此，他們用多個介電層物理分解了鐵電超晶格結構，以減少這種失控過程。
該系統實現了94.1%的在線學習準確率，這與其他FEFET和RRAM技術相比非常好，科學家在12月14日的IEDM會議上詳細介紹了這一發現。Strachan指出，未來的研究可以尋求優化屬性，如當前水平。
來自日本和臺灣科學家的一種新型微芯片，采用c軸定向晶體氧化銦鎵鋅制成。這項研究的合著者、日本半導體能源實驗室公司的SatoruOhshita指出，他們的氧化物半導體場效應晶體管（OSFET）的超低電流操作低于每個電池1毫安，操作效率為143.9萬億次/秒/瓦，這是迄今為止模擬AI芯片中報道得最好的，12月14日在IEDM會議上詳細介紹了調查結果。“這些都是極低電流的設備，”Strachan說，“由于所需的電流非常低，您可以將電路塊變大，從而獲得512×512個存儲單元的陣列，而RRAM的典型數字更像是100×100。這是一個巨大的勝利，因為較大的電路塊在存儲權重方面具有二次優勢。”當OSFET與電容器結合時，它們可以以90%以上的準確度保留信息30小時。Strachan說：“這可能是一段足夠長的時間，可以將這些信息轉移到一些波動性較小的技術上。幾十小時的保留時間并不是交易的破壞者。”總之，“研究人員正在探索的這些新技術都是概念驗證案例，提出了關于他們未來可能面臨的挑戰的新問題，”Strachan說，“他們還指出了通往代工廠的道路，這是他們生產大批量、低成本商業產品所需要的。”
模擬電路人工智能神經網絡的前景
模擬電路人工智能神經網絡的前景
來源:IEEE電氣電子工程師學會
未來驅動人工智能的一些最佳電路可能是模擬電路，而不是數字電路，世界各地的研究團隊正在越來越多地開發支持此類模擬人工智能的新設備。
在驅動AI當前爆炸的深層神經網絡中，最基本的計算是乘法累加（MAC）運算。深度神經網絡由人工神經元層組成，在MAC操作中，每一層的輸出乘以它們與下一層連接的強度或“權重”值，然后將這些貢獻相加。
現代計算機有專門用于MAC操作的數字元件，但從理論上講，模擬電路可以用更少的能量進行這些計算。這種被稱為模擬AI、內存中計算或內存中處理的策略通常使用非易失性存儲器設備（如閃存、磁阻RAM（MRAM）、電阻RAM（RRAM）、相變存儲器（PCM）和更為深奧的技術）來執行這些乘法累加操作。
然而，韓國的一個團隊正在探索基于鐠鈣錳氧化物電化學RAM（ECRAM）設備的神經網絡，這種設備就像微型電池，以電導變化的形式存儲數據。研究在韓國浦項科技大學的主要作者ChuljunLee指出，神經網絡硬件在訓練期間和應用期間經常有不同的需求。例如，低能量屏障有助于神經網絡快速學習，但高能量屏障有助于它們保留所學知識，以便在應用過程中使用。
德國尤利希研究中心彼得·格倫伯格神經形態計算節點研究所所長、電氣工程師JohnPaulStrachan沒有參加這項研究。他說：“在訓練過程中，將設備加熱到100攝氏度左右，可以產生有利于訓練的特性。當它冷卻下來時，他們獲得了更長的保留時間和更低的電流操作的優勢。只需調整一個旋鈕，熱量，他們就可以在多個計算維度上看到改進。”研究人員于12月14日在舊金山舉行的IEEE國際電子設備會議（InternationalElectronDevicesMeeting(IEDM)）上詳細描述了他們的發現。
Strachan指出，這項工作面臨的一個關鍵問題是，經過多次加熱和冷卻后，ECRAM可能會面臨何種劣化。不過，“這是一個非常有創意的想法，他們的工作證明了這種方法可能有一些潛力。”
另一組研究了鐵電場效應晶體管(FEFET)。研究主要作者、圣母大學的KhandkerAkifAabrar解釋說，FEFET在每個晶體管內以電極化的形式存儲數據。
FEFET面臨的一個挑戰是，當它們縮小時，它們是否仍然可以顯示對AI應用程序有價值的模擬行為，或者它們是否會突然切換到只存儲一位信息的二進制模式，極化狀態為一種狀態或另一種狀態。
“這個團隊工作的優勢在于他們對所涉及材料的洞察，”Strachan說，他沒有參與這項研究，“鐵電材料可以被認為是由許多小磁疇組成的塊體，就像鐵磁體可以被認為是上下磁疇一樣。為了實現他們所希望的模擬行為，他們希望所有這些磁疇在外加電場的作用下緩慢地向上或向下排列，而不是出現一個失控的過程，在這個過程中它們都會向上或向下移動。”因此，他們用多個介電層物理分解了鐵電超晶格結構，以減少這種失控過程。
該系統實現了94.1%的在線學習準確率，這與其他FEFET和RRAM技術相比非常好，科學家在12月14日的IEDM會議上詳細介紹了這一發現。Strachan指出，未來的研究可以尋求優化屬性，如當前水平。
來自日本和臺灣科學家的一種新型微芯片，采用c軸定向晶體氧化銦鎵鋅制成。這項研究的合著者、日本半導體能源實驗室公司的SatoruOhshita指出，他們的氧化物半導體場效應晶體管（OSFET）的超低電流操作低于每個電池1毫安，操作效率為143.9萬億次/秒/瓦，這是迄今為止模擬AI芯片中報道得最好的，12月14日在IEDM會議上詳細介紹了調查結果。“這些都是極低電流的設備，”Strachan說，“由于所需的電流非常低，您可以將電路塊變大，從而獲得512×512個存儲單元的陣列，而RRAM的典型數字更像是100×100。這是一個巨大的勝利，因為較大的電路塊在存儲權重方面具有二次優勢。”當OSFET與電容器結合時，它們可以以90%以上的準確度保留信息30小時。Strachan說：“這可能是一段足夠長的時間，可以將這些信息轉移到一些波動性較小的技術上。幾十小時的保留時間并不是交易的破壞者。”總之，“研究人員正在探索的這些新技術都是概念驗證案例，提出了關于他們未來可能面臨的挑戰的新問題，”Strachan說，“他們還指出了通往代工廠的道路，這是他們生產大批量、低成本商業產品所需要的。”
主站蜘蛛池模板：
开化县|
石首市|
东光县|
宁波市|
玉田县|
舟曲县|
景德镇市|
连平县|
临夏县|
山丹县|
临朐县|
城固县|
萨迦县|
靖宇县|
城市|
武隆县|
都昌县|
庆城县|
青浦区|
罗江县|
林甸县|
中卫市|
瓮安县|
偏关县|
略阳县|
应用必备|
江安县|
宾川县|
高邮市|
乌兰浩特市|
西藏|
同江市|
赤峰市|
余干县|
铜陵市|
洛阳市|
赤壁市|
镇平县|
陇川县|
兴化市|
岐山县|
