Dansk version: Jørgen Sarlvit Larsen
Et fransk forskerhold ledet af CEA-Leti præsenterer en ny hybrid hukommelse, der kombinerer hidtil ikke kompatible teknologier, nemlig ferroelektriske kondensatorer og memristorer, i en enkelt CMOS-kompatibel hukommelsesstak. Denne nye arkitektur leverer en længe søgt løsning til en af edge-AI’s største udfordringer, nemlig at udføre både træning og inferens (logisk slutning) på en chip uden at sprænge energibudgettet eller give hardwarebegrænsninger. Systemet er beskrevet i Nature Electronics i en artikel med titlen “A Ferroelectric-Memristor Memory For Both Training And Inference”.
Foruden CEA-Leti omfattede forskerholdet også videnskabelige medlemmer fra Université Grenoble Alpes, CEA-List, French National Centre for Scientific Research (CNRS), Bordeaux University, Bordeaux INP, IMS France, Université Paris-Saclay samt Center for Nanosciences og Nanotechnologies (C2N).
Projektet har demonstreret, at det er muligt at foretage on-chip træning med konkurrencedygtig nøjagtighed, uden behov for off-chip opdatering og komplekse eksterne systemer. Innovationen muliggør edge-systemer og enheder, såsom autonome biler, medicinske sensorer og industrielle monitorer, at lære fra data i den virkelige verden og tilpasse modellerne løbende og samtidig holde energiforbruget og hardvaren under tæt kontrol.
Edge AI kræver både inferens (læse data og lave beslutninger) og læring (opdatering af modeller baseret på nye data). Men hidtil har hukommelsesteknologierne kun kunnet gøre en af delene godt. Memristorer (resistiv RAM) er velegnede til inferens, fordi de kan lagre analoge vægte, er energieffektive under læseoperationer og understøtter computeroperationer i hukommelsen. Ferroelektriske kondensatorer (feCAP) tillader hurtig opdatering med lavt energiforbrug, men deres læseoperationer er destruktive og gør dem uegnede til inferens. Hidtil har hardwaredesignerne kunnet vælge at favorisere inferens og outsource træningen til cloud’en, eller forsøge træning med høje omkostninger til følge. Med den nye hybride hukommelsesteknologi kan begge dele nu implementeres effektivt i en edge-AI chip.
