Les chercheurs développent des ordinateurs probabilistes spintroniques compatibles avec l’IA actuelle

Des chercheurs de l’Université du Tohoku et de l’Université de Californie à Santa Barbara ont démontré une preuve de concept d’un ordinateur économe en énergie compatible avec l’IA actuelle. Il utilise un comportement stochastique de dispositifs spintroniques à l'échelle nanométrique et est particulièrement adapté aux problèmes de calcul probabiliste tels que l'inférence et l'échantillonnage.

L’équipe a présenté les résultats lors du IEEE International Electron Devices Meeting (IEDM 2023) le 12 décembre 2023.

Avec le ralentissement de la loi de Moore, la demande de matériel spécifique à un domaine a augmenté. Un ordinateur probabiliste avec des éléments de base naturellement stochastiques (bits probabilistes ou p-bits) est un exemple représentatif en raison de sa capacité potentielle à traiter efficacement diverses tâches informatiques difficiles en apprentissage automatique (ML) et en intelligence artificielle (IA).

Tout comme les ordinateurs quantiques conviennent naturellement aux problèmes intrinsèquement quantiques, les ordinateurs probabilistes à température ambiante conviennent aux algorithmes intrinsèquement probabilistes, qui sont largement utilisés pour la formation des machines et pour les problèmes informatiques difficiles d'optimisation, d'échantillonnage, etc.

Récemment, des chercheurs de l'Université de Tohoku et de l'Université de Californie à Santa Barbara ont montré que des ordinateurs probabilistes robustes et entièrement asynchrones (sans horloge) peuvent être réalisés efficacement à grande échelle en utilisant un dispositif spintronique probabiliste appelé jonction tunnel magnétique stochastique (sMTJ) interfacé avec une puissante porte programmable sur site. Baies (FPGA).

Jusqu'à présent, cependant, les ordinateurs probabilistes basés sur sMTJ n'étaient capables que de mettre en œuvre un réseau neuronal récurrent, et le développement d'un schéma permettant de mettre en œuvre des réseaux neuronaux à action directe était attendu.

“Alors que les réseaux neuronaux à action directe sous-tendent la plupart des applications d'IA modernes, augmenter les ordinateurs probabilistes dans cette direction devrait être une étape cruciale pour arriver sur le marché et améliorer les capacités de calcul de l'IA”, a déclaré le professeur Kerem Camsari, chercheur principal à l'Université de Californie. Sainte Barbara.

Dans le cadre de la récente avancée qui sera présentée à l’IEDM 2023, les chercheurs ont réalisé deux avancées importantes. Premièrement, en s'appuyant sur des travaux antérieurs de l'équipe de l'Université de Tohoku sur les jonctions tunnel magnétiques stochastiques au niveau du dispositif, ils ont démontré les bits p les plus rapides au niveau du circuit en utilisant des sMTJ dans le plan, fluctuant toutes les ~ microsecondes environ, environ trois ordres de ampleur plus rapide que les rapports précédents.

Deuxièmement, en appliquant un ordre de mise à jour au niveau du matériel informatique et en tirant parti du parallélisme couche par couche, ils ont démontré le fonctionnement de base du réseau bayésien comme exemple de réseaux neuronaux stochastiques à action directe.

“Les démonstrations actuelles sont à petite échelle, cependant, ces conceptions peuvent être étendues en utilisant la technologie de RAM magnétique (MRAM) compatible CMOS, permettant des avancées significatives dans les applications d'apprentissage automatique tout en libérant également le potentiel de réalisation matérielle efficace de processus profonds/convolutionnels. réseaux de neurones”, a déclaré le professeur Shunsuke Fukami, chercheur principal à l'Université du Tohoku.