{{{sourceTextContent.title}}}

Erster programmierbarer Memristor-Computer könnte die KI von der Cloud herunterbringen

{{{sourceTextContent.subTitle}}}

Memistoren, Widerstände mit Datenspeicher, könnten es weniger energieintensiv machen, KI für kleine tragbare und tragbare Geräte durchzuführen.

{{{sourceTextContent.description}}}

Ingenieure der University of Michigan haben den ersten programmierbaren Memristor-Computer entwickelt, der dazu führen könnte, künstliche Intelligenz direkt auf kleinen Geräten wie Smartphones und Sensoren zu übertragen. Ein Smartphone-KI-Prozessor würde bedeuten, dass Sprachbefehle nicht mehr zur Interpretation in die Cloud gesendet werden müssen, was die Reaktionszeit beschleunigt.

"Jeder will einen KI-Prozessor auf Smartphones einsetzen, aber man will nicht, dass der Akku des Handys schnell leer wird", sagt Wei Lu, UM-Professor für Elektro- und Computertechnik.

In Medizinprodukten kann die Ausführung von KI-Programmen außerhalb der Cloud zu mehr Sicherheit und Datenschutz führen.

Der Schlüssel zu diesem Computertyp ist der Memristor. Es handelt sich im Wesentlichen um einen elektrischen Widerstand mit einem Speicher, der vom variablen Widerstand abhängt. Memristoren speichern und verarbeiten Informationen am gleichen Ort, so dass sie den größten Engpass für Rechengeschwindigkeit und Leistung umgehen können: die Verbindung zwischen Speicher und Prozessor.

Dies ist besonders wichtig für maschinelle Lernalgorithmen, die mit vielen Daten arbeiten, um Aufgaben wie die Identifizierung von Objekten auf Fotos und Videos oder die Vorhersage, welche Krankenhauspatienten ein hohes Infektionsrisiko haben. Schon jetzt bevorzugen Programmierer es, solche Programme auf grafischen Verarbeitungseinheiten auszuführen, anstatt den Hauptprozessor eines Computers, die zentrale Verarbeitungseinheit.

"GPUs und kundenspezifische und optimierte digitale Schaltungen gelten als 10 bis 100 mal besser als CPUs in Bezug auf Leistung und Durchsatz", sagt Lu. "Memristor-basierte KI-Prozessoren könnten 10 bis 100 mal besser sein als das."

GPUs schneiden beim maschinellen Lernen gut ab, da sie Tausende von kleinen Kernen für die Ausführung von Berechnungen auf einmal haben, im Gegensatz zu der Reihe von Berechnungen, die auf einen der wenigen leistungsstarken Kernen in einer CPU warten.

Ein Memristor-Array bringt dies noch weiter. Jeder Memristor kann seine eigene Berechnung durchführen und Tausende von Operationen innerhalb eines Kerns auf einmal durchführen. Im Computer im experimentellen Maßstab gab es mehr als 5.800 Memristoren. Memristor-Arrays eignen sich besonders für maschinelle Lernprobleme. Denn die Algorithmen des maschinellen Lernens verwandeln Daten in Vektoren - im Wesentlichen Listen von Datenpunkten. Bei der Vorhersage des Infektionsrisikos eines Patienten in einem Krankenhaus kann dieser Vektor beispielsweise numerische Darstellungen der Risikofaktoren eines Patienten enthalten.

Anschließend vergleichen maschinelle Lernalgorithmen diese "Input"-Vektoren mit den im Speicher gespeicherten "Feature"-Vektoren. Merkmalsvektoren stellen bestimmte Merkmale der Daten dar (z.B. das Vorhandensein einer Grunderkrankung). Wenn sie übereinstimmen, weiß der Computer, dass die Eingabedaten diese Eigenschaft haben. Vektoren werden in Matrizen gespeichert und können direkt auf die Memristor-Arrays abgebildet werden.

Da die Daten durch das Array geleitet werden, erfolgt die mathematische Verarbeitung größtenteils über die natürlichen Widerstände in den Memistoren, wodurch die Notwendigkeit entfällt, Merkmalsvektoren in und aus dem Speicher zu verschieben, um Berechnungen durchzuführen. Dadurch sind die Arrays sehr gut für komplizierte Matrixberechnungen geeignet. Frühere Studien zeigten das Potenzial von Memristor-Arrays zur Beschleunigung des maschinellen Lernens, aber sie benötigten externe Rechenelemente, um zu funktionieren.

Um den ersten programmierbaren Memristor-Computer zu bauen, entwarf Lu's Team einen Chip, der das Memristor-Array mit den anderen Elementen kombinierte, die zur Programmierung und Ausführung erforderlich waren. Zu diesen Komponenten gehörten ein herkömmlicher digitaler Prozessor und Kommunikationskanäle sowie Digital/Analog-Wandler zur Interpretation der Kommunikation zwischen der analogen Memristoranordnung und dem Rest des Computers.

Das Team demonstrierte das Gerät mit drei bekannten Lernalgorithmen:

Perceptron, das Informationen klassifiziert. Es konnte unvollkommene griechische Buchstaben mit 100%iger Genauigkeit identifizieren.

Ÿ Spärliche Kodierung, die Daten, insbesondere Bilder, komprimiert und kategorisiert. Der Computer konnte die effizienteste Methode zur Rekonstruktion von Bildern in einer Menge und identifizierten Mustern mit 100%iger Genauigkeit bestimmen.

Zweischichtiges neuronales Netzwerk, das Muster in komplexen Daten findet. Dieses Netzwerk fand Gemeinsamkeiten und differenzierende Faktoren in den Daten der Brustkrebsvorsorge und klassifizierte dann jeden Fall mit einer Genauigkeit von 94,6% als bösartig oder gutartig.

Das Team steht vor der Herausforderung, die Memristoren für den kommerziellen Einsatz zu erweitern. Zum Beispiel können sie noch nicht so identisch gemacht werden, wie sie sein müssen, und die in ihnen gespeicherten Informationen sind nicht ganz zuverlässig, da es sich eher um ein analoges Kontinuum als um das digitale Entweder-Oder handelt. Dennoch plant das Team die Kommerzialisierung des Geräts.