Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais cliquez ici
#Actualités du secteur
{{{sourceTextContent.title}}}
Le premier ordinateur à membrane programmable pourrait faire descendre l'IA du nuage
{{{sourceTextContent.subTitle}}}
Les résistances à mémoire, c'est-à-dire les résistances avec stockage de données, pourraient réduire la consommation d'énergie nécessaire à l'IA des petits appareils portatifs et portatifs.
{{{sourceTextContent.description}}}
Des ingénieurs de l'Université du Michigan ont mis au point le premier ordinateur à mémoire programmable, qui pourrait permettre de transmettre l'intelligence artificielle directement sur de petits appareils tels que les smartphones et les capteurs. Un processeur AI pour smartphone signifierait que les commandes vocales n'auraient plus besoin d'être envoyées dans le nuage pour l'interprétation, ce qui accélérerait le temps de réponse.
"Tout le monde veut mettre un processeur AI sur les smartphones, mais vous ne voulez pas que la batterie de votre téléphone portable se vide rapidement," dit Wei Lu, professeur UM de génie électrique et informatique.
Dans le domaine des dispositifs médicaux, l'exécution de programmes d'IA à l'extérieur du cloud pourrait améliorer la sécurité et la protection de la vie privée.
La clé de ce type d'ordinateur est le memristor. Il s'agit essentiellement d'une résistance électrique avec une mémoire qui dépend de la résistance variable. Les résistances à mémoire stockent et traitent les informations au même endroit, ce qui leur permet de contourner le plus gros goulet d'étranglement pour la vitesse et la puissance de calcul : la connexion entre la mémoire et le processeur.
Ceci est particulièrement important pour les algorithmes d'apprentissage machine qui traitent beaucoup de données pour s'attaquer à des tâches telles que l'identification d'objets sur des photos et des vidéos ou la prédiction des patients hospitalisés qui sont à haut risque d'infection. Déjà, les programmeurs préfèrent exécuter de tels programmes sur des unités de traitement graphique plutôt que sur le processeur principal d'un ordinateur, l'unité centrale de traitement.
"Les GPU et les circuits numériques personnalisés et optimisés sont considérés comme 10 à 100 fois meilleurs que les CPU en termes de puissance et de débit ", explique Lu. "Les processeurs d'intelligence artificielle à mémoire pourraient être 10 à 100 fois mieux que ça."
Les GPU fonctionnent bien en apprentissage machine parce qu'ils ont des milliers de petits cœurs pour exécuter les calculs d'un seul coup, contrairement à la série de calculs qui attendent leur tour sur l'un des rares cœurs puissants d'un CPU.
Un réseau de memristors va encore plus loin. Chaque memristor peut faire ses propres calculs, effectuant des milliers d'opérations dans un noyau à la fois. Dans l'ordinateur à l'échelle expérimentale, il y avait plus de 5.800 memristors. Une conception commerciale pourrait inclure des millions d'entre eux. réseaux de résistances sont particulièrement adaptés aux problèmes d'apprentissage machine. C'est parce que les algorithmes d'apprentissage machine transforment les données en vecteurs - essentiellement des listes de points de données. Pour prédire le risque d'infection d'un patient dans un hôpital, par exemple, ce vecteur peut contenir des représentations numériques des facteurs de risque d'un patient.
Ensuite, les algorithmes d'apprentissage machine comparent ces vecteurs "d'entrée" avec les vecteurs "caractéristiques" stockés en mémoire. Les vecteurs caractéristiques représentent certains traits des données (comme la présence d'une maladie sous-jacente). S'il y a correspondance, l'ordinateur sait que les données d'entrée ont ce trait. Les vecteurs sont stockés dans des matrices et peuvent être mappés directement sur les réseaux de memristors.
Au fur et à mesure que les données traversent le réseau, la plupart du traitement mathématique se fait par l'intermédiaire des résistances naturelles dans les mémoires, ce qui élimine la nécessité de déplacer les vecteurs de caractéristiques dans et hors de la mémoire pour effectuer des calculs. Cela rend les matrices très bien adaptées aux calculs matriciels complexes. Des études antérieures ont démontré le potentiel des réseaux de résistances à mémoire pour accélérer l'apprentissage machine, mais ils avaient besoin d'éléments de calcul externes pour fonctionner.
Pour construire le premier ordinateur memristor programmable, l'équipe de Lu a conçu une puce qui combinait le réseau de memristors avec les autres éléments nécessaires à sa programmation et son exécution. Ces composants comprenaient un processeur numérique conventionnel et des canaux de communication, ainsi que des convertisseurs numériques/analogiques pour interpréter les communications entre le réseau de résistances analogiques et le reste de l'ordinateur.
L'équipe a fait la démonstration de l'appareil à l'aide de trois algorithmes d'apprentissage bien connus :
Perceptron, qui classifie l'information. Il pouvait identifier les lettres grecques imparfaites avec une précision de 100 %.
Ÿ Codage épars, qui comprime et catégorise les données, en particulier les images. L'ordinateur pourrait déterminer la façon la plus efficace de reconstruire des images dans un ensemble et d'identifier des motifs avec une précision de 100 %.
Réseau neuronal à deux couches, qui trouve des modèles dans des données complexes. Ce réseau a trouvé des points communs et des facteurs de différenciation dans les données sur le dépistage du cancer du sein, puis a classé chaque cas comme malin ou bénin avec une précision de 94,6 %.
L'équipe est confrontée à des défis dans la mise à l'échelle des résistances à usage commercial. Par exemple, ils ne peuvent pas encore être rendus aussi identiques qu'ils doivent l'être, et l'information qu'ils contiennent n'est pas entièrement fiable parce qu'il s'agit d'un continuum analogique plutôt que d'un ou deux numériques. L'équipe prévoit toujours de commercialiser l'appareil.