Китайские физики создали аналоговую вычислительную систему, потенциально в тысячу раз ускоряющую в сравнении с современными чипами две ключевые для ИИ математические операции: вычисление обратной матрицы и умножение матрицы на вектор. Исследователи утверждают в своей статье в Nature Electronics, что это существенно снизит энергозатраты на разработку ИИ и выполнение многих научных вычислений.
"Наш подход уже при небольшом числе итераций позволяет достигать примерно той же точности расчетов, которая достижима для классических цифровых систем при вычислениях с плавающей точкой с 32-битной разрядностью. При этом он позволяет проводить эти расчеты в тысячу раз быстрее и тратить на них в сто раз меньше энергии, чем самые передовые цифровые чипы", - пишут исследователи.
Группа китайских физиков под руководством доцента Суня Чжуна из Пекинского университета разработала эту технологию. Она основана на аналоговом итеративном алгоритме и резистивной памяти (ReRAM), особого типа хранилища данных на базе мемристоров. Мемристоры - это материалы, сопротивление которых зависит от предшествующего прохождения электрического тока.
Эта характеристика дает мемристору "память" и способность изменять записанные данные, позволяя как хранить, так и обрабатывать информацию, улавливая различные аналоговые сигналы. Ученые использовали это преимущество для создания масштабируемого алгоритма, позволяющего быстро и эффективно выполнять матричные операции с минимальными затратами энергии.
Хотя ранее предпринимались попытки использовать мемристоры для этих целей, низкая точность их работы была препятствием. Китайские физики преодолели эту проблему, разделив вычислительную систему на два аналоговых блока с разной точностью. Первый блок выполняет операцию обращения матрицы, не требующую высокой точности, а второй – высокоточное умножение матрицы на вектор.
Для проверки алгоритма ученые создали прототип матричного вычислителя на основе доступных трехбитных ячеек ReRAM. Тесты показали, что система превосходит существующие графические чипы в производительности при работе с большими матрицами, потребляя при этом значительно меньше энергии. В перспективе, это позволит повысить энергоэффективность ИИ, ускорить научные расчеты и улучшить работу систем 5G и 6G-связи.
Изображение: фрипик
