Des chercheurs développent une technologie de semi-conducteurs de nouvelle génération pour une intelligence artificielle à haute efficacité et à faible consommation d'énergie
Une équipe de recherche a démontré que le matériel analogique utilisant des dispositifs ECRAM peut maximiser les performances de calcul de l'intelligence artificielle, mettant en avant son potentiel de commercialisation. Leurs recherches ont été publiées dans Progrès scientifiques.
L'évolution rapide de la technologie de l'IA, notamment des applications comme l'IA générative, a poussé l'évolutivité du matériel numérique existant (CPU, GPU, ASIC, etc.) à ses limites. Par conséquent, des recherches actives sont menées sur du matériel analogique spécialisé dans le calcul de l'IA.
Le matériel analogique ajuste la résistance des semi-conducteurs en fonction de la tension ou du courant externe et utilise une structure de réseau de points de croisement avec des dispositifs de mémoire croisés verticalement pour traiter les calculs d'IA en parallèle. Bien qu'il offre des avantages par rapport au matériel numérique pour des tâches de calcul spécifiques et le traitement continu des données, répondre aux diverses exigences en matière d'apprentissage et d'inférence informatiques reste un défi.
Pour répondre aux limites des dispositifs de mémoire matérielle analogique, l'équipe de recherche, composée du professeur Seyoung Kim du Département des sciences et de l'ingénierie des matériaux et du Département d'ingénierie des semi-conducteurs et d'autres, s'est concentrée sur la mémoire à accès aléatoire électrochimique (ECRAM), qui gère la conductivité électrique par le mouvement et la concentration des ions.
Contrairement aux mémoires à semi-conducteurs traditionnelles, ces dispositifs présentent une structure à trois terminaux avec des chemins séparés pour la lecture et l'écriture des données, permettant un fonctionnement à une puissance relativement faible.
Dans leur étude, l'équipe a réussi à fabriquer des dispositifs ECRAM en utilisant des semi-conducteurs à trois bornes dans une matrice 64 × 64. Les expériences ont révélé que le matériel intégrant l'équipe’Les appareils ont démontré d'excellentes caractéristiques électriques et de commutation, ainsi qu'un rendement et une uniformité élevés.
De plus, l’équipe a appliqué l’algorithme Tiki-Taka, un algorithme d’apprentissage analogique de pointe, à ce matériel à haut rendement, maximisant ainsi avec succès la précision des calculs de formation du réseau neuronal de l’IA.
Les chercheurs ont notamment démontré l'impact de la propriété de « rétention de poids » de l'entraînement matériel sur l'apprentissage et ont confirmé que leur technique ne surcharge pas les réseaux neuronaux artificiels, soulignant ainsi le potentiel de commercialisation de la technologie.
Cette recherche est importante car la plus grande gamme de dispositifs ECRAM pour le stockage et le traitement de signaux analogiques rapportée dans la littérature à ce jour est de 10 × 10. Les chercheurs ont maintenant réussi à mettre en œuvre ces dispositifs à la plus grande échelle, avec des caractéristiques variées pour chaque dispositif.
Le professeur Seyoung Kim de POSTECH a déclaré : « En développant des matrices à grande échelle basées sur de nouvelles technologies de dispositifs de mémoire et en développant des algorithmes d'IA spécifiques à l'analogique, nous avons identifié le potentiel de performances de calcul et d'efficacité énergétique de l'IA qui dépassent de loin les méthodes numériques actuelles. »
