Un estudio confirma el potencial de comercialización de hardware ECRAM analógico para informática con IA.
Un equipo de investigadores de POSTECH y la Universidad de Corea ha creado con éxito hardware analógico utilizando dispositivos de memoria de acceso aleatorio electroquímico (ECRAM) que pueden mejorar significativamente el rendimiento informático de la inteligencia artificial.
Los resultados de su trabajo fueron publicados en la revista internacional Science Advances.
Los rápidos avances en las tecnologías de inteligencia artificial, incluidas aplicaciones como los modelos generativos, han llevado al límite la escalabilidad del hardware digital existente. En este sentido, se están investigando activamente equipos analógicos especializados para las necesidades de la IA.
El hardware analógico ajusta la resistencia de los semiconductores en función del voltaje o la corriente externos y utiliza una estructura de matriz de puntos cruzados con dispositivos de memoria cruzados verticalmente para procesar cálculos en paralelo.
Aunque el hardware analógico ofrece ventajas sobre el hardware digital para tareas informáticas específicas y procesamiento continuo de datos, cumplir con los diversos requisitos de entrenamiento e inferencia computacional sigue siendo un desafío.
Para superar las limitaciones de los dispositivos de almacenamiento de hardware analógicos, el equipo de investigación se centró en dispositivos ECRAM que controlan la conductividad eléctrica mediante el movimiento y la concentración de iones. Estos dispositivos tienen una estructura de tres pines con rutas separadas para leer y escribir datos, lo que permite operar con una potencia relativamente baja.
En el estudio, el equipo fabricó con éxito dispositivos ECRAM utilizando semiconductores de tres pines en una matriz de 64×64. Los experimentos demostraron que los equipos que incorporaban los dispositivos de comando demostraron un excelente rendimiento eléctrico y de conmutación, así como un alto rendimiento y uniformidad.
Además, los investigadores aplicaron el algoritmo analógico Tiki-Taka a este hardware de alto rendimiento, maximizando con éxito la precisión computacional del entrenamiento de redes neuronales.
Los investigadores demostraron el impacto de la propiedad de “mantener peso” del hardware en el aprendizaje y confirmaron que su método no sobrecargaba las redes neuronales artificiales, destacando el potencial de comercialización de la tecnología.
El profesor Seyong Kim de POSTECH señaló: “Al implementar matrices a gran escala basadas en nuevas tecnologías de almacenamiento y desarrollar algoritmos de IA analógicos, hemos identificado el potencial de rendimiento computacional y eficiencia energética de la IA que supera con creces los métodos digitales existentes”.
Este desarrollo podría mejorar significativamente el rendimiento y la eficiencia energética de la computación con IA, abriendo nuevas oportunidades para la comercialización de la tecnología y su aplicación en diversos campos, incluida la IA generativa y otras aplicaciones avanzadas de inteligencia artificial.