IBM Research Europe'un bilim adamları yakın zamanda faz değişimli bellek aygıtlarına dayanan 64 çekirdekli yongalarıyla bellek içi bilgi işlemde yeni bir alana öncülük ettiler. Bu ileri teknolojinin, derin öğrenme algoritmalarının doğruluğunu koruyarak, hesaplama sürelerini ve güç tüketimini önemli ölçüde en aza indirerek derin sinir ağlarının çalışmasını artırması öngörülüyor.
Çığır açan araştırma makalesinin ortak yazarı Manuel Le Gallo, yedi yılı aşkın süredir hesaplama için faz değişimli bellek (PCM) cihazlarını araştırdıklarını paylaştı. Yolculuk, ekibin bireysel PCM cihazlarını kullanarak nöronal fonksiyonların uygulanmasını göstermesiyle başladı. Bu noktadan itibaren IBM Research Europe, PCM aygıtlarının bilimsel bilgi işlem ve derin sinir ağı çıkarımı gibi bilgi işlem alanlarına büyük ölçüde fayda sağlayabileceğini gösterdi. Araştırmacılar, en yeni çipleriyle uçtan uca analog yapay zeka çıkarım hızlandırıcısına bir adım daha yaklaştılar.
Le Gallo ve işbirlikçileri bu başarıyı PCM tabanlı çekirdekleri dijital bilgi işlem işlemcileriyle sentezleyerek başardılar. Bu iki unsur, çip üzerinde bir dijital iletişim ağının uygulanmasıyla birbirine bağlandı. Ortaya çıkan çip, her biri 256 x 256 çapraz çubuk dizili sinaptik birim hücreleri içeren 64 analog PCM tabanlı çekirdeğin yenilikçi bir birleşimidir.
Kompakt, zamana dayalı analogdan dijitale dönüştürücülerin her bir çekirdek içerisine entegrasyonu, analog ve dijital alanlar arasında bir geçişe işaret ediyordu. Le Gallo ayrıca, her bir çekirdeğin aynı zamanda düzeltilmiş doğrusal birim (reLU) nöron aktivasyon fonksiyonlarını ve ölçeklendirme işlemlerini gerçekleştiren hafif dijital işlem birimlerinden oluştuğunu da sözlerine ekledi. Ek olarak çipin merkezinde, uzun kısa süreli bellek (LSTM) ağ işlemlerini kolaylaştıran küresel bir dijital işlem birimi bulunuyor.
IBM'in bellek içi bilgi işlem çipinin ustaca bir özelliği, bellek çekirdekleri ile küresel olarak konumlandırılmış işlem birimi arasındaki dijital iletişim ağı aracılığıyla bağlantı kurmasıdır. Bu tasarım, çipin, çip üzerindeki bir sinir ağının bireysel katmanlarıyla ilişkili tüm hesaplamaları yürütmesine olanak tanır ve bu da hesaplama sürelerinde ve güç tüketiminde önemli azalmalara neden olur.
IBM araştırma ekibi, yeni çipin etkinliğini değerlendirmek için kapsamlı bir çalışma yürüttü; çip üzerinde derin öğrenme algoritmaları uyguladı ve performansını değerlendirdi. Görüntü tanıma görevleri için CIFAR-10 görüntü veri kümesi üzerinde eğitilen derin sinir ağlarının, çip üzerinde çalıştırıldığında %92,81'lik olağanüstü bir doğruluk oranına ulaşmasıyla sonuçlar cesaret vericiydi.
Kuşkusuz, IBM Research Europe'un başarıları, derin öğrenme algoritmalarının gereksinimlerini ve zorluklarını verimli bir şekilde karşılayabilen Analog Bellek İçi Bilgi İşlem (AIMC) yongalarının geliştirilmesinde ileriye doğru atılmış bir adımdır. Önümüzdeki yıllarda Le Gallo ve ekibi tarafından tanıtılan mimari, üstün performans sağlayacak şekilde geliştirilebilir.
IBM'in atılımına rağmen, bu teknolojinin no-code ve low-code ortamlardaki potansiyel kullanım durumları göz ardı edilemez. Ölçeklenebilir ve yüksek performanslı bellek içi bilgi işlem çipleri, AppMaster gibi no-code platformlarla sorunsuz bir şekilde bütünleşerek önemli bir değer sunar. Bu tür bir entegrasyon, makine öğrenimi uygulamalarında model doğruluğunda önemli bir iyileşmeye yol açarak kullanıcılara daha düşük gecikme süresi, daha yüksek hızlar ve gelişmiş verimlilik sunabilir.
