TecNoticias, tu portal de información

A medida que la comunidad académica y los desarrolladores de semiconductores han profundizado en la IA de bajo consumo de energía, muchos se han alejado de la arquitectura de von Neumann. La razón es que las redes neuronales que se ejecutan en dispositivos von Neumann requieren que se muevan grandes cantidades de datos dentro y fuera de la memoria, lo que demuestra ser ineficiente desde el punto de vista energético.

La energía de movimiento de datos se ha convertido en el factor que más contribuye al consumo total de energía del chip. Imagen utilizada cortesía de Feng Shi et al.

Un enfoque alternativo que está ganando popularidad son los esquemas de computación en memoria, donde, como su nombre indica, la computación ocurre donde se almacenan los datos. Una tecnología que se está estudiando ampliamente por sus aplicaciones en este campo es la RAM resistiva (RRAM), también conocida como memristores. Sin embargo, como todas las tecnologías en su infancia, los memristores tienen muchas propiedades no ideales que han dificultado su uso en aplicaciones comerciales.
Ahora, investigadores de CEA-Leti en Francia han descubierto una técnica para utilizar las no idealidades de RRAM en su beneficio para casos de uso de IA de bajo consumo.

¿Cuáles son las fortalezas de RRAM?

Una RAM resistiva es un dispositivo con un valor de resistencia que se puede configurar aplicando una señal de control en forma de voltaje / corriente externa. El dispositivo generalmente consta de dos electrodos metálicos alrededor de una capa de óxido resistiva.

Principio de funcionamiento de RRAM. Imagen utilizada cortesía de Meena et al.

Hay muchas razones por las que se buscan las RRAM en el mundo de la informática de borde. Para empezar, son una forma de memoria no volátil. Entre las tecnologías de memoria no volátil, ofrecen velocidades de conmutación extremadamente altas (de hecho, más altas que la memoria flash NAND) con escalas de tiempo tan cortas como 10 ns. Además, pueden ser tan pequeños como unos pocos nanómetros, lo que significa que pueden ofrecer densidades extremadamente altas.
Por último, se utilizan ampliamente para el aprendizaje automático porque consumen mucha menos energía que la memoria flash NAND. Dado que son dispositivos basados ​​en resistencias, pueden realizar operaciones de producto escalar o de multiplicar y acumular basándose simplemente en la ley actual de Kirchhoff. Ambas operaciones son fundamentales en el aprendizaje automático.

No idealidades de RRAM

A pesar de los atributos útiles de RRAM, este dispositivo enfrenta no idealidades, lo que impide su integración generalizada en la industria.
Un problema importante es la "variabilidad de la conductancia de ciclo a ciclo" de los memristores. Cuando se aplican voltajes apropiados a los memristores, estos forman caminos conductores llamados filamentos, que son el resultado de la migración del metal y los defectos físicos. Este es el estado "encendido" de un memristor. Este estado puede invertirse con un voltaje externo diferente para formar un estado "apagado".

La variabilidad de la conductancia puede tratarse como una variable aleatoria gaussiana. Imagen utilizada cortesía de Dalgarty et al.

El problema es que la creación de estos filamentos no se puede controlar de forma perfecta y precisa. Hay errores de fabricación y otras fuentes aleatorias que crean variabilidad de conductancia de ciclo a ciclo. Esta es una fuente de aleatoriedad en el funcionamiento de los memristores, lo que dificulta los cálculos precisos y, a menudo, requiere importantes recursos para mitigarlos.

CEA-Leti se centra en el aprendizaje in situ

Ahora, la empresa francesa CEA-Leti ha ideado una técnica que aprovecha esta aleatoriedad a su favor para lograr un procesamiento de IA de baja potencia.
En su artículo publicado en Nature, los investigadores describen su técnica, que consiste en un "algoritmo de aprendizaje de muestreo de Markov Chain Monte Carlo (MCMC) en un chip fabricado que actúa como un modelo de aprendizaje automático bayesiano". Dicen que su trabajo permite el aprendizaje in situ mediante el uso de pulsos de voltaje de nanosegundos en estos dispositivos de memoria a nanoescala, creando de manera efectiva un sistema que es pequeño en tamaño y de bajo consumo.

Los investigadores concluyeron que el ML bayesiano puede ser un método de modelado alternativo para avanzar en el aprendizaje perimetral. Imagen utilizada cortesía de CEA-Leti

Los investigadores confían en que su solución de bajo consumo de energía puede ser una solución adecuada para la informática de punta. De hecho, en comparación con una implementación CMOS de su algoritmo, su enfoque logró cinco órdenes de magnitud menos de energía.

Un paso para simplificar los diseños de Edge Computing

Con la computación de borde convirtiéndose en una característica de alta demanda en los dispositivos de IoT, esta noticia puede generar más innovaciones para los diseñadores encargados de tales proyectos. CEA-Leti informa que su capacidad para convertir los negativos de los memristores en positivos para características operativas avanzadas ha hecho que la IA de borde sea más factible que antes.