Todennäköisyyspohjaisia tietokoneita ja tekoälyä

Tohokun ja Santa Barbaran Kalifornian yliopiston tutkijat ovat osoittaneet konseptin energiatehokkaasta todennäköisyyspohjaisesta tietokoneesta, joka on yhteensopiva nykyisen tekoälyn kanssa.

Huonelämpötilassa toimivat todennäköisyyslaskentaan perustuvat tietokoneet soveltuvat luonnostaan todennäköisyyksiin perustuviin algoritmeihin, joita käytetään laajalti harjoituskoneissa ja kovissa laskentaongelmissa optimoinnissa, näytteenotossa jne.

Tutkijat ovat osoittaneet, että vankat ja täysin asynkroniset (kellottomat) todennäköisyyspohjaiset tietokoneet voidaan toteuttaa mittakaavatasolla käyttämällä todennäköisyyspohjaista spintronista laitetta, jota kutsutaan stokastiseksi magneettiseksi tunneliliitokseksi (sMTJ), joka on liitetty tehokkaan FPGA-piirien kanssa.

Toistaiseksi stokastiset-MTJ-pohjaiset todennäköisyyspohjaiset tietokoneet ovat kuitenkin kyenneet toteuttamaan vain toistuvia neuroverkkoja ja järjestelmän kehittämistä feedforward-neuroverkkojen toteuttamiseksi on odotettu.

"Koska myötäkytkentäiset neuroverkot tukevat useimpia nykyaikaisia tekoälysovelluksia, todennäköisyyspohjaisten tietokoneiden lisäämisen tähän suuntaan voisi olla keskeinen askel päästä markkinoille ja parantaa tekoälyn laskentakykyä", sanoo professori Kerem Camsari, Kalifornia Santa Barbaran yliopiston päätutkija.

Nyt IEDM 2023:ssa esitellyssä läpimurrossa tutkijat ovat saavuttaneet kaksi tärkeää huippumodernia edistystä. Ensinnäkin, hyödyntäen Tohokun yliopiston tiimin aikaisempia töitä stokastisista magneettisista tunneliliitoksista piiritasolla, he ovat osoittaneet nopeimmat p-bitit piiritasolla käyttämällä tasossa olevia sMTJ:itä, jotka vaihtelevat noin mikrosekunnin välein, noin kolme kertaluokkaa suuruusluokkaa nopeammin kuin aiemmin raportoidut.

Toiseksi, pakottamalla päivityskäsky laskentalaitteistotasolla ja hyödyntämällä kerros kerrokselta rinnakkaisuutta, he ovat osoittaneet Bayes-verkon perustoiminnan esimerkkinä myötäkytkentäisistä stokastisista neuroverkoista.

"Nykyiset esittelyt ovat pienimuotoisia, mutta näitä malleja voidaan skaalata käyttämällä CMOS-yhteensopivaa Magnetic RAM (MRAM) -tekniikkaa, mikä mahdollistaa merkittäviä edistysaskeleita koneoppimissovelluksissa ja vapauttaa samalla mahdollisuudet tehokkaaseen syvän/konvolutionaalisen neuroverkkojen toteuttamiseen, sanoo professori Shunsuke Fukami, Tohokun yliopiston johtava tutkija.

Aiheesta aiemmin:

P-tietokoneiden potentiaali

Maailman nopein spintroninen p-bitti