IBM科学家在人工智能应用程序中展示了100万个设备的内存计算

时间:2019-03-06 18:38:53 阅读:1次

  研究人员使用由碲化锑锗合金制成的PCM器件,该合金堆叠并夹在两个电极之间。

  “内存计算”或“计算内存”是一种新兴概念,它使用内存设备的物理属性来存储和处理信息。这与当前的冯·诺依曼系统和设备相反,例如标准台式计算机,笔记本电脑甚至手机,它们在存储器和计算单元之间来回传送数据,从而使它们变得更慢,能效更低。

  今天,IBM研究院宣布其科学家已经证明,在100万个相变存储器(PCM)设备上运行的无监督机器学习算法成功地发现了未知数据流中的时间相关性。与最先进的经典计算机相比,这种原型技术有望在速度和能效方面产生200倍的改进,使其非常适合实现超高密度,低功耗和大规模并行计算系统。 AI中的应用程序。

  “这是我们研究人工智能物理学的重要一步,它探索了新的硬件材料,设备和架构,”IBM研究员,该论文的共同作者Evangelos Eleftheriou博士说。

  内存计算算法的示意图。图片来源:IBM Research

  研究人员使用由碲化锑锗合金制成的PCM器件,该合金堆叠并夹在两个电极之间。当科学家们对材料施加微小的电流时,它们会加热它,从而将其状态从无定形(具有无序的原子排列)变为晶体(具有有序的原子配置)。 IBM研究人员使用结晶动力学来进行计算。

  “这是我们研究人工智能物理学的重要一步,它探索了新的硬件材料,设备和架构,”IBM研究员,该论文的共同作者Evangelos Eleftheriou博士说。 “由于技术限制导致CMOS缩放规律失效,因此需要彻底背离处理器 - 存储器二分法来规避当今计算机的局限性。鉴于我们的内存计算方法的简单性,高速度和低能量,我们的结果非常类似于在冯·诺依曼计算机上运行的基准经典方法。“

  详细信息将在今天出现在同行评审期刊 Nature Communications 中的论文中进行解释。为了演示该技术,作者选择了两个基于时间的示例,并将其结果与传统的机器学习方法进行了比较,例如 k -means clustering:

  提交人,Nikolaos Papandreou,Evangelos Eleftheriou,Lukas Kull,Thomas Parnell(回到左,右)和前面的Abu Sebastian和Manuel Le Gallo。失踪:Tomas Tuma。

模拟数据:基于1000 x 1000像素,黑白色的2D网格上组织的一百万个二进制(0或1)随机过程,着名英国数学家Alan Turing的轮廓图。然后,IBM科学家以相同的速率开启和关闭像素,但黑色像素以弱相关的方式打开和关闭。这意味着当黑色像素闪烁时,另一个黑色像素也会闪烁的概率略高。随机过程被分配给一百万个PCM设备,并且实现了简单的学习算法。每次闪烁,学习PCM阵列,并且对应于相关过程的PCM设备进入高传导状态。通过这种方式,PCM设备的电导图重新绘制了Alan Turing。 (见上图)
真实世界数据:实际降雨量数据,每隔一小时从美国270个气象站收集,为期六个月。如果在一小时内下雨,则标记为“1”,如果不是“0”。经典 k - 平均聚类和内存计算方法在270个气象站中的245个分类中达成一致。内存计算将12个站分类为不相关的,这些站通过k均值聚类方法标记为相关。类似地,内存计算方法将13个站分类为已被标记为与 k -means聚类不相关的相关站。 (点击查看图片)

  “到目前为止,内存被视为我们仅存储信息的地方。但是在这项工作中,我们最终展示了如何利用这些存储器设备的物理特性来执行相当高级的计算原语。计算结果也存储在存储设备中,从这个意义上讲,这个概念受到大脑计算方式的启发。“Abu Sebastian博士,探索记忆和认知技术科学家,IBM研究和论文的第一作者。他还领导欧洲研究理事会资助的这一主题项目。 在Twitter上关注他 @abuseb。

   IBM科学家将在今年12月的IEDM会议上展示另一种内存计算应用。


  使用计算相变记忆的时间相关性检测, Abu Sebastian,Tomas Tuma,Nikolaos Papandreou,Manuel Le Gallo,Lukas Kull,Thomas Parnell,Evangelos Eleftheriou

  

  

IBM科学家在人工智能应用程序中展示了100万个设备的内存计算所属专题:人工智能专题 《IBM科学家在人工智能应用程序中展示了100万个设备的内存计算》链接:http://www.zhouchuanxiong.net/829

IBM科学家在人工智能应用程序中展示了100万个设备的内存计算相关文章

  • 使用人工智能来设计材料的属性
  • 3Q:Aleksander Madry建立值得信
  • 学生小组探讨了人工智能的伦理维
  • 人工智能峰会解决了技术对就业和
  • 用人工智能解开海洋之谜
  • 利用人工智能改善早期乳腺癌检测
  • IBM和麻省理工学院开展人工智能联
  • 马文明斯基,“人工智能之父”,
  • 机器人和超越展览探索人工智能世
  • 在Think 2019上观看IBM的人工智能
  • IBM AA AI在AAAI人工智能会议上发
  • 基于人工智能的低薪工人财务顾问
  • 最佳思维:IBM致力于与大学合作伙
  • 2017年CVPR的IBM研究:通过计算机
  • 通过人工智能技术扩展温布尔登高
  • AI Sport,运动员多久才开始使用
  • DeepMind和Blizzard将星际争霸II
  • 我们与学术界合作推进人工智能领
  • 构建人工智能时避免人为错误
  • 为什么今天的零售银行需要人工智
  • 民主化和可解释性:DataRobot的2
  • 人工智能中避免偏差的四个关键
  • 利用模糊匹配和人工智能识别重复
  • 与Matt Zeiler在2019年的最佳人工
  • 用人工智能改善适度
  • 驾驭人工智能:面部识别的承诺
  • AI在电影中:人工智能的一切超越
  • 什么是Computer Vision企业为什么
  • 关于人工智能的5个神话
  • Clarifai精选黑客:通过人工智能
  • 人工智能第一世界的设计和用户体
  • 人工智能与机器人过程自动化:天
  • 可解释的人工智能:它是如何工作
  • 人工智能工作:专家很少但报酬很
  • AI规则:政治唤醒人工智能的现实
  • 以人工智能为动力的客户体验管理