Современные компьютеры основаны на принципе архитектуры фон Неймана, созданной еще в 1940-х. Вычислительные машины фон Неймана обладают центральным процессором, выполняющим логические и арифметические операции, запоминающим устройством, хранилищем данных и устройствами ввода и вывода. Исследователи из IBM Research, вдохновившись человеческим мозгом, предлагают соединить блок памяти и обработки данных, пишет EurekAlert.
Нынешним ИИ и суперкомпьютерам нужны киловатты или мегаватты энергии, тогда как человеческий мозг работает, потребляя всего 20 или 30 ватт. Синапсы могут и проводить вычисления, и хранить информацию.
В новой архитектуре, выходящей за пределы неймановской, память будет играть более важную роль в вычислениях, считает Абу Себастьян, автор исследования.
Человеческий мозг подсказал Себастьяну и его команде три важных особенности. Во-первых, возможность объединения обработки данных и вычислений. Во-вторых, синаптическая структура мозга стала натолкнула на мысль использовать массивы памяти с изменением фазового состояния (PCM), чтобы ускорить обучение нейронных сетей. В-третьих, динамическая и стохастическая природа нейронов и синапсов вдохновила команду на создание мощного вычислительного субстрата для нейронных сетей.
PCM — это наноустройства памяти из германия, теллура и сурьмы, зажатых между электродами. Они могут переключаться между несколькими состояниями под воздействием температуры. Электрические импульсы меняют сопротивление материала в кристаллической или аморфной фазах. Исследователи считают, что такое аналоговое устройство больше напоминает небинарные, биологические синапсы, и позволяет сохранить больше информации.
Испытав прототип предложенной системы, Себастьян и его коллеги получили неожиданные результаты.
«Мы смогли добиться ускорения в 200 раз в памяти с изменением фазового состояния по сравнению с традиционными вычислительными системами, — говорит он. — Мы всегда знали, что они эффективны, но не ожидали, что настолько».
В начале лета специалисты IBM рассказали о создании нового чипа, способного выполнять задачи нейронной сети с той же точностью, но потребляющего при этом в 100 раз меньше энергии. Если это открытие получит коммерческое применение, оно оправдает все надежды, которые компания возлагает на нейронные сети.
