Para ilmuwan IBM Research Europe baru-baru ini memelopori dunia baru dalam komputasi dalam memori dengan chip 64-inti mereka yang mengandalkan perangkat memori perubahan fase. Teknologi mutakhir ini diharapkan dapat meningkatkan cara kerja jaringan saraf dalam dengan mempertahankan keakuratan algoritme pembelajaran mendalam sekaligus meminimalkan periode komputasi dan konsumsi daya secara signifikan.
Manuel Le Gallo, salah satu penulis makalah penelitian inovatif ini, berbagi bahwa mereka telah mengeksplorasi perangkat memori perubahan fase (PCM) untuk komputasi selama lebih dari tujuh tahun. Perjalanan dimulai dengan tim mendemonstrasikan implementasi fungsi saraf menggunakan perangkat PCM individual. Sejak saat ini, IBM Research Europe telah menunjukkan bahwa perangkat PCM dapat memberikan manfaat besar pada domain komputasi, seperti komputasi ilmiah dan inferensi jaringan saraf dalam. Dengan chip terbaru mereka, para peneliti telah selangkah lebih dekat ke akselerator inferensi AI analog end-to-end.
Le Gallo dan kolaboratornya mencapai prestasi ini dengan mensintesis inti berbasis PCM dengan prosesor komputasi digital. Kedua elemen ini dihubungkan dengan penerapan jaringan komunikasi digital on-chip. Chip yang dihasilkan adalah penggabungan inovatif dari 64 inti analog berbasis PCM, masing-masing menggabungkan susunan sel unit sinaptik berukuran 256 kali 256 palang.
Integrasi konverter analog-ke-digital berbasis waktu yang ringkas dalam setiap inti menandai transisi antara dunia analog dan digital. Le Gallo lebih lanjut menjelaskan, menambahkan bahwa setiap inti juga terdiri dari unit pemrosesan digital ringan yang menjalankan fungsi aktivasi saraf unit linier yang diperbaiki (reLU) dan operasi penskalaan. Selain itu, chip ini dilengkapi unit pemrosesan digital global yang terletak di pusatnya yang memfasilitasi operasi jaringan memori jangka pendek (LSTM).
Karakteristik cerdik dari chip komputasi dalam memori IBM adalah koneksi antara inti memori dan unit pemrosesan yang berlokasi global melalui jaringan komunikasi digital. Desain ini memungkinkan chip untuk mengeksekusi semua komputasi yang terkait dengan lapisan individual jaringan saraf di dalam chip, yang menghasilkan pengurangan waktu komputasi dan konsumsi daya secara dramatis.
Untuk menilai efektivitas chip baru tersebut, tim peneliti IBM melakukan studi komprehensif, menerapkan algoritma pembelajaran mendalam pada chip mereka dan mengevaluasi kinerjanya. Hasilnya menggembirakan, jaringan neural dalam yang dilatih pada kumpulan data gambar CIFAR-10 untuk tugas pengenalan gambar mencapai tingkat akurasi luar biasa sebesar 92,81% saat dijalankan pada chip.
Tidak diragukan lagi, pencapaian IBM Research Europe merupakan lompatan maju dalam pengembangan chip Analog In-Memory Computing (AIMC) yang dapat secara efisien memenuhi persyaratan dan tantangan algoritma pembelajaran mendalam. Di tahun-tahun mendatang, arsitektur yang diperkenalkan oleh Le Gallo dan timnya dapat ditingkatkan untuk menghasilkan kinerja yang lebih unggul.
Terlepas dari terobosan IBM, potensi kasus penggunaan teknologi ini dalam lingkungan no-code dan low-code tidak dapat diabaikan. Chip komputasi dalam memori yang dapat diskalakan dan berkinerja tinggi menawarkan nilai yang besar dengan berintegrasi secara mulus dengan platform no-code seperti AppMaster. Integrasi tersebut dapat menghasilkan peningkatan yang signifikan dalam akurasi model dalam penerapan pembelajaran mesin, menawarkan latensi yang lebih rendah, kecepatan yang lebih tinggi, dan peningkatan efisiensi bagi pengguna.
