法国的研究人员利用不理想的回忆录将AI提升到边缘

随着学术界和半导体开发人员对低功率消费AI进行了研究，许多人离开了冯·诺伊曼建筑。原因是在von Neumann设备上运行的神经网络需要大量数据进入和退出记忆，证明能量效率低下。

数据运动能源已成为整体芯片能源消耗的最大贡献者。图像冯史等人。

一种替代方法在流行度中增长的是内存计算方案，顾名思义，在存储数据的地方发生了计算。一项因其在该领域的应用而被广泛研究的技术是电阻RAM（RRAM），也称为Memristors。然而，像所有技术中的所有技术一样，备忘录具有许多非理想的特性，这些特性阻碍了其在商业应用中的使用。

现在，来自法国CEA-LETI的研究人员发现了一种使用RRAM非理想性的技术，以便在低功率AI用例中使用其优势。

RRAM的优势是什么？

电阻RAM是一种设备可以通过以外部电压/电流形式应用控制信号来设置的电阻值。该设备通常由电阻氧化物层周围的两个金属电极组成。

RRAM工作原理。图像Meena等。

在边缘计算世界中追捕RRAM的原因有很多。对于初学者来说，它们是一种非易失性的记忆形式。在非挥发性记忆技术中，它们提供了极高的开关速度（实际上比NAND闪光灯要高），时间尺寸短至10 ns。此外，它们可以像几纳米一样小，这意味着它们可以提供极高的密度。

最后，它们被广泛用于机器学习，因为它们比NAND Flash的功率明显少得多。由于它们是基于电阻的设备，因此他们可以简单地依靠基尔乔夫的现行法律执行点产品或多重蓄积操作。这两个操作在机器学习中都是基础。

RRAM的非理想性

尽管RRAM具有有用的属性，但该设备确实面临非理想性，阻碍了其广泛的整合到该行业。

一个主要问题是备忘录的“周期到周期电导变异性”。当将适当的电压应用于备注者时，它们会形成称为细丝的导电路径，这是金属迁移和物理缺陷的结果。这是备忘录的“ on”状态。该状态可以用不同的外部电压逆转以形成“关闭”状态。

电导变异性可以视为高斯随机变量。图像Dalgarty等。

问题在于，这些细丝的创造不能完美，精确地控制。有制造和其他随机误差来源创建周期到周期电导的可变性。这是回忆录操作的随机性来源，阻碍了准确的计算，并且经常需要大量资源来减轻。

CEA-LETI专注于原位学习

现在，法国公司CEA-LETI提出了一种技术利用这种随机性来实现低功率AI处理。

在他们发表的文章中自然，研究人员描述了他们的技术，其中包括一个“马尔可夫链蒙特卡洛（MCMC）采样学习算法在制造的芯片中充当贝叶斯机器学习模型。”他们说，他们的工作允许在这些纳米级内存设备上使用纳秒电压脉冲通过使用纳秒电压脉冲，从而有效地创建了一个尺寸较小且功率低的系统。

研究人员得出的结论是，贝叶斯ML可以是推进边缘学习的替代建模方法。图像CEA-LETI

研究人员有信心他们的低功率解决方案可能是用于边缘计算的合适解决方案。实际上，与CMO的算法实施相比，他们的方法达到了五个数量级的能量。

大步简化边缘计算设计

随着边缘计算在物联网设备中成为高需求的特征，此消息可能会为负责此类项目的设计师提供更多创新。CEA-LETI报告说，他们将备忘录的负面因素变成高级操作特征的积极因素的能力使Edge AI比以前更可行。