Новая память для ИИ: энергоэффективное обучение

Разработка новых, более эффективных устройств для хранения данных является ключевым направлением в электронике. Инженеры постоянно ищут решения, которые могли бы преодолеть ограничения существующих технологий.

Исследователи из Université Grenoble Alpes (CEA-Leti, CEA List), Université de Bordeaux (CNRS) и Université Paris-Saclay (CNRS) представили инновационное запоминающее устройство, объединяющее мемристоры и ферроэлектрические конденсаторы (FeCAPs). Эта гибридная память, описанная в журнале Nature Electronics, открывает новые перспективы для энергоэффективного обучения систем искусственного интеллекта (ИИ), позволяя им делать более точные прогнозы.

«Идеальная» память должна обладать высокой плотностью, энергонезависимостью, возможностью неразрушающего считывания и практически бесконечной долговечностью. Однако, как отмечает Элиза Вианнелло, старший автор исследования, достижение всех этих качеств одновременно затруднительно. Именно поэтому был предложен новый подход, комбинирующий сильные стороны различных типов памяти.

Ученые заметили, что мемристоры и FeCAPs имеют схожую структуру, несмотря на различия в физических принципах работы. Это наблюдение послужило основой для создания единого устройства, интегрирующего функциональность обоих компонентов в одной структуре. Это особенно ценно для снижения энергопотребления при обучении и работе ИИ-алгоритмов.

«Мемристор хранит информацию, изменяя свое электрическое сопротивление за счет формирования и растворения проводящего канала между электродами», — поясняет Вианнелло. «Программирование этих состояний требует точного контроля тока, что влияет на энергопотребление и долговечность записи. Считывание же осуществляется с помощью низковольтных импульсов».

FeCAP, второй компонент гибридной системы, использует ферроэлектрический материал для хранения данных. Запись информации происходит за счет изменения поляризации материала под действием электрического поля.

«Поскольку для переключения поляризации требуется минимальный ток смещения, FeCAPs отличаются исключительной долговечностью и низким энергопотреблением при записи», — говорит Вианнелло. «Наша гибридная память объединяет диоксид гафния с кремнием (HfO₂), часто используемый в FeCAPs, со слоем улавливания титана (Ti), применяемым в мемристорах. Изначально все устройства ведут себя как FeCAPs, но благодаря слою Ti, после специальной электрической обработки они могут трансформироваться в мемристоры».

Таким образом, разработанная память сочетает в себе лучшие качества мемристоров и FeCAP. Как и мемристоры, она эффективно работает при выводе (inference), способна хранить аналоговые веса, отличается энергоэффективностью при чтении и поддерживает вычисления внутри памяти. Интеграция FeCAP обеспечивает быстрые и энергоэффективные обновления, что идеально подходит для обучения алгоритмов машинного обучения.

«Мы продемонстрировали технологию памяти, которая объединяет функции мемристоров и FeCAPs в одном кристалле», — заявляет Вианнелло. «Этот гибридный подход использует преимущества обоих типов устройств, обеспечивая эффективное и надежное обучение и вывод на кристалле (on-chip training and inference) для искусственных нейронных сетей».

Работа исследователей может стимулировать дальнейшее развитие гибридных решений для хранения данных. В будущем эта память может быть усовершенствована для поддержки периферийных вычислений (edge AI), где ИИ-алгоритмы работают непосредственно на локальном оборудовании, минуя облачные серверы.

«Многие приложения требуют, чтобы ИИ-системы непрерывно обучались новым задачам или адаптировались к изменяющимся данным, не забывая при этом ранее полученные знания», — добавляет Вианнелло. «Классические методы глубокого обучения склонны перезаписывать существующие параметры. Наша следующая цель — интегрировать нашу память с новыми алгоритмами, чтобы создать системы, способные к непрерывному и динамическому обучению, подобно человеческому мозгу».