최근 칭화대학교 집적회로학과 Wu Huaqiang 교수와 Gao Bin 부교수 팀은 통합 저장 및 계산 컴퓨팅 패러다임을 기반으로 효율적인 온칩 학습(머신러닝은 하드웨어 측면에서 직접 완료 가능)을 지원하는 세계 최초의 완전 시스템 통합 멤리스터 메모리 및 계산 통합 칩을 개발했습니다. 온칩 학습을 지원하는 멤리스터 메모리와 연산집적칩 분야에서 획기적인 발전을 이루었으며, 인공지능, 자율주행 웨어러블 디바이스 등의 분야 발전을 촉진할 것으로 기대된다. 관련 연구 결과는 '사이언스' 최신호 온라인판에 게재됐다.
현재 국제 관련 연구는 주로 멤리스터 배열 수준에서 학습 기능을 입증하는 데 중점을 두고 있습니다. 그러나 효율적인 온칩 학습을 지원하는 완전히 시스템 통합된 멤리스터 칩의 실현은 여전히 큰 과제에 직면해 있으며 아직 실현되지 않았습니다. 주된 이유는 기존 역전파 훈련 알고리즘에서 요구되는 고정밀 가중치 업데이트 방법이 멤리스터의 실제 특성에 대한 적응성이 좋지 않기 때문입니다.
컴퓨팅 성능 향상을 제한하는 기존 스토리지 및 컴퓨팅 분리 아키텍처의 주요 과제에 직면하여 Wu Huaqiang과 Gao Bin은 효율적인 온칩 학습을 달성하기 위해 멤리스터 스토리지 및 컴퓨팅 통합을 적용하는 새로운 범용 알고리즘 및 아키텍처(STELLAR)를 창의적으로 제안한 것으로 이해됩니다. 대규모 아날로그 멤리스터 어레이와 CMOS의 모놀리식 3차원 통합을 효과적으로 실현합니다. 알고리즘, 아키텍처 및 통합 방법의 전 과정에 대한 공동 혁신을 통해 세계 최초의 완전 시스템 통합 멤리스터 스토리지 및 효율적인 온칩 학습을 지원하는 컴퓨팅 통합 칩을 개발했습니다.
이 칩에는 완전한 온칩 학습을 지원하는 데 필요한 모든 회로 모듈이 포함되어 있습니다. 이미지 분류, 음성 인식, 제어 작업 등 다양한 온칩 증분 학습 기능 검증을 성공적으로 완료했습니다. 높은 적응성, 높은 에너지 효율성, 높은 다양성, 높은 정확성 및 기타 특성을 입증하여 실제 응용 시나리오에서 스마트 장치의 학습 적응성을 효과적으로 강화합니다. 동일한 작업에서 온칩 학습을 위한 칩의 에너지 소비는 첨단 기술을 적용한 ASIC(주문형 집적 회로) 시스템의 에너지 소비량의 3%에 불과합니다. 탁월한 에너지 효율성 이점을 보여주며 인공지능 시대의 높은 컴퓨팅 성능 요구를 충족할 수 있는 뛰어난 응용 가능성을 가지고 있습니다. 이는 전통적인 폰 노이만 컴퓨팅 아키텍처에서 에너지 효율성 병목 현상을 극복할 수 있는 혁신적인 개발 경로를 제공합니다.
입장:
징둥몰