Un equipo de investigación formado por el profesor Seong Kim del Departamento de Ciencia e Ingeniería de Materiales y Kyungmi Noh, ex alumno del Departamento de Ingeniería de Semiconductores, y Heungjeong Kwak, estudiante de doctorado en el Departamento de Ciencia e Ingeniería de Materiales de POSTECH, y el profesor Heung -Min Lee. La Escuela de Ingeniería Eléctrica de la Universidad de Corea demostró recientemente que el hardware analógico que utiliza dispositivos ECRAM puede maximizar el rendimiento computacional de la inteligencia artificial, demostrando su potencial de comercialización. Su investigación fue publicada en la revista. Avances de la ciencia.
Los rápidos avances en la tecnología de IA, incluidas aplicaciones como la IA generativa, han llevado la escalabilidad del hardware digital existente (CPU, GPU, ASIC, etc.) al límite. Como resultado, existe una investigación activa sobre hardware analógico especializado para la computación de IA. El hardware analógico ajusta la resistencia de los semiconductores en función del voltaje o la corriente externos y utiliza una estructura de matriz de puntos cruzados con dispositivos de memoria cruzados verticalmente para procesar cálculos de IA en paralelo. Aunque ofrece ventajas sobre el hardware digital para tareas computacionales específicas y procesamiento continuo de datos, sigue siendo un desafío cumplir con los diversos requisitos de aprendizaje e inferencia computacionales.
Para abordar las limitaciones de los dispositivos de memoria de hardware analógicos, el equipo de investigación se centró en la memoria de acceso aleatorio electroquímica (ECRAM), que gestiona la conductividad eléctrica mediante el movimiento y la concentración de iones. A diferencia de la memoria semiconductora tradicional, estos dispositivos tienen una estructura de tres terminales con rutas separadas para leer y escribir datos, lo que permite operar con una potencia relativamente baja.
En su investigación, el equipo fabricó con éxito dispositivos ECRAM utilizando semiconductores de tres terminales en una matriz de 64×64. Las pruebas revelaron que el hardware que compone los dispositivos del equipo exhibió excelentes propiedades eléctricas y de conmutación con alto rendimiento y uniformidad. Además, el equipo implementó el algoritmo Tiki-Taka, un sofisticado algoritmo de aprendizaje de base analógica, en este hardware de alto rendimiento, maximizando con éxito la precisión de los cálculos de entrenamiento de redes neuronales de IA. En particular, los investigadores demostraron el efecto de la propiedad de “retención de peso” del entrenamiento con hardware en el aprendizaje y confirmaron que su técnica no sobrecarga las redes neuronales artificiales, destacando el potencial de comercialización de la tecnología.
Este estudio es importante porque el conjunto más grande de dispositivos ECRAM para almacenar y procesar señales analógicas reportado en la literatura hasta la fecha es 10×10. Los investigadores ahora han implementado con éxito estos dispositivos a mayor escala, con diferentes características para cada dispositivo.
El profesor Seyoung Kim de POSTECH comentó: “Al realizar matrices a gran escala basadas en una novedosa tecnología de dispositivos de memoria y desarrollar algoritmos de IA analógicos específicos, hemos identificado el potencial para el rendimiento computacional de la IA y la eficiencia energética que superan los métodos digitales actuales”.
La investigación se llevó a cabo con el apoyo del Ministerio de Comercio, Industria y Energía, el Instituto de Planificación y Evaluación de Tecnología Industrial de Corea (KEIT) y la Asociación Público-Privada para el Programa de Capacitación de Talentos en Semiconductores respaldado por la Asociación de la Industria de Semiconductores de Corea y la herramienta EDA. . Idec.