På IEDM (International Electron Devices Meeting) konferencen i San Francisco primo december 2022 fremhævede franske CEA-Leti på en tutorisk præsentation de lovende fordele, som den resistive random-access memory (RRAM) teknologi tilbyder i nye såkaldte neuromorf/in-memory computersystemer i form af massive parallelle beregninger, lavt effektforbrug og lav signalforsínkelse.
I en præsentation med titlen “Resistive Memories-Based Concepts for Neuromorphic Computing” sagde Elisa Vianello, chef for CEA-Leti’s edge AI program, at RRAM (memristor) giver fordele i form af energieffektivitet og computerkraft i beregninger med kunstig intelligens. Hun pointerede dog, at forskerne skal overkomme problemer med denne type af hukommelse, specielt mht. variation, kvantifiseringsfejl og begrænset levetid, før denne metode kan kommercialiseres.
AI algoritmer bliver i stigende grad anvendt i sundhedssystemer, robotter, landbrug og andre sektorer, men disse applikationer har ofte et begrænset effektbudget. For at overkomme disse udfordringer fokuserer CEA-Leti’s AI-forskning på udviklingen af nye hjerne-inspirerede teknologier og beregningsmetoder samt computerarkitekturer.
Under konferencen fremlagde CEA-Leti også udviklingen af den første ende-til-ende løsning for gestikulation og genkendelse til implementering på silicium med et ultra lavt, altid-on, effektforbrug på 0,41 µJ/frame. Dette gennembrud præsenteret med titlen “Spike-based Beamforming Using pMUT Arrays for Ultra-Low Power Gesture- Recognition” er baseret på low-power piezoelektriske ultralydstransducere (pMUT) til udsendelse og modtagelse af ultralydssignaler. Enheden anvender en spike-baseret beam-formningsmetode, som uddrager en tidsmæssig rumlig information og bruger et neuralt spikenetværk (SRNN) til simpel detektering af gestikulation og klassifikation.
Traditionel beam-formning kombinerer sinusbølger direkte i analog eller digital format ved brug af signalforsinkelser. CEA-Leti’s spike-baserede teknik forenkler processen ved at kode signalets fase med en enkelt spike pr. signalperiode. Det muliggør brugen af simpel logik på spikene for at implementere beam-formningen. Et SRNN (spiking recurrent neural network) netværk tager spike-tætheden som input til detektering af gestikulationen.
Den primære fordel ved dette ultralydssystem er lav fabrikationsomkostning og nem integrering, hvilket er velegnet til personbåret (wearable) og automotive applikationer, sagde CEA-Leti’s Emmanuel Hardy, ledende forfatter af præsentationen.
Instituttet arbejder også på at udvikle et energieffektivt RRAM-baseret SRNN netværk.
På dansk ved Jørgen Sarlvit-Larsen