SK hynix i TetraMem opracowują eksperymentalny chip memrystorowy dla energooszczędnej sztucznej inteligencji na krawędzi

Jak podaje Tom’s Hardware (https://www.tomshardware.com/tech-industry/artificial-intelligence/sk-hynix-and-tetramem-collaborate-on-experimental-chip-to-bolster-energy-efficiency-for-edge-ai-devices-memristor-based-in-memory-soc-research-leaves-performance-questions-up-in-the-air), SK hynix, TetraMem oraz University of Southern California wspólnie opracowali eksperymentalny system-on-chip (SoC) oparty na technologii memrystorów, zaprojektowany specjalnie do zastosowań AI w urządzeniach edge. Celem jest znacząca poprawa efektywności energetycznej podczas przetwarzania obciążeń AI.

Technologia memrystorów i obliczenia w pamięci

Memrystory to nowatorskie elementy elektroniczne, które pełnią funkcję nieulotnej pamięci, a jednocześnie mogą wykonywać operacje obliczeniowe bezpośrednio w pamięci. Tak zwane obliczenia w pamięci eliminują klasyczne wąskie gardło między pamięcią a procesorem, które w tradycyjnych architekturach powoduje wysokie zużycie energii i opóźnienia. Opracowany SoC integruje te jednostki pamięci oparte na memrystorach bezpośrednio z jednostkami obliczeniowymi, co teoretycznie umożliwia znacznie szybsze i bardziej energooszczędne przetwarzanie algorytmów AI. Szczególnie dla urządzeń edge, które często działają z ograniczonymi zasobami i pojemnością baterii, może to stanowić kluczową przewagę.

Pierwsze wyniki i wyzwania

Naukowcy z prototypu już wykazali obiecujące poprawy efektywności energetycznej. Jednakże osiągi pozostawały poniżej oczekiwań, co wskazuje na techniczne wyzwania związane z integracją i skalowaniem technologii memrystorów. Dokładna przyczyna ograniczonej wydajności nie została jeszcze ostatecznie wyjaśniona i konieczne są dalsze badania, aby w pełni wykorzystać potencjał tej technologii.

Znaczenie dla przyszłości AI na krawędzi

Opracowanie pokazuje, że architektury obliczeń w pamięci oparte na memrystorach stanowią obiecujący kierunek dla energooszczędnych systemów AI. Zwłaszcza w obszarze edge computing, gdzie urządzenia takie jak smartfony, czujniki IoT czy autonomiczne drony muszą lokalnie wykonywać złożone zadania AI, takie innowacje są niezbędne do redukcji opóźnień i minimalizacji zużycia energii. Jeśli uda się pokonać techniczne bariery, SoC memrystorowe mogą ukształtować kolejną generację sprzętu AI i przyspieszyć rozpowszechnianie inteligentnych, autonomicznych systemów.

Perspektywy

SK hynix i TetraMem planują kontynuować badania i dalej optymalizować architekturę. Połączenie doświadczenia przemysłowego z badaniami akademickimi zapowiada postępy, które w nadchodzących latach mogą ustanowić nowe standardy dla energooszczędnego sprzętu AI. Rozwój ten jest również istotny w kontekście rosnącego znaczenia wyspecjalizowanych akceleratorów AI oraz zwiększającego się zapotrzebowania na technologie zrównoważone. Chipy oparte na memrystorach mogą w dłuższej perspektywie odegrać kluczową rolę w krajobrazie sprzętowym, zwłaszcza gdy chodzi o umożliwienie funkcji AI w środowiskach o ograniczonych zasobach.