1722045636
2024-07-26 23:48:19
ミネソタ大学ツインシティ校の工学研究者らは、人工知能（AI）コンピューティングアプリケーションのエネルギー消費を少なくとも1,000分の1に削減できる最先端のハードウェアデバイスを実証した。
この研究は、 npj 非従来型コンピューティングネイチャーが発行する査読付き科学雑誌に掲載された。研究者らは、この装置に使用されている技術に関して複数の特許を保有している。
AI アプリケーションの需要が高まる中、研究者は、パフォーマンスを高く維持しながらコストを低く抑え、よりエネルギー効率の高いプロセスを作成する方法を模索してきました。一般的に、マシンまたは人工知能のプロセスは、ロジック (システム内で情報が処理される場所) とメモリ (データが格納される場所) の間でデータを転送するため、大量の電力とエネルギーを消費します。
ミネソタ大学理工学部の研究者チームは、データがメモリから決して出ない計算ランダムアクセスメモリ（CRAM）と呼ばれる新しいモデルを実証しました。
「この研究は、コンピュータが情報を保存するグリッドを離れることなく、メモリアレイ内で完全にデータを処理できるCRAMの初の実験的実証です」と、ミネソタ大学電気・コンピュータ工学部の博士研究員で論文の筆頭著者であるヤン・ルブ氏は述べた。
国際エネルギー機関（IEA）は2024年3月に世界のエネルギー使用予測を発表し、AIのエネルギー消費量は2022年の460テラワット時（TWh）から2026年には1,000TWhに倍増する可能性があると予測しました。これは日本全体の電力消費量とほぼ同等です。
新しい論文の著者によると、CRAM ベースの機械学習推論アクセラレータは、約 1,000 倍の改善を達成すると推定されています。別の例では、従来の方法と比較して、2,500 倍と 1,700 倍のエネルギー節約が示されました。
この研究は20年以上かけて行われてきました。
「20年前、メモリセルを直接コンピューティングに利用するという当初のコンセプトは、無謀だと思われていた」と、論文の主任著者であり、ミネソタ大学電気・コンピュータ工学部のマックナイト名誉教授兼ロバート・F・ハートマン教授であるジャンピン・ワン氏は語った。
「2003年以来進化を続ける学生グループと、ミネソタ大学で構築された物理学、材料科学と工学、コンピュータ科学と工学からモデリングとベンチマーク、ハードウェアの作成に至るまでの真の学際的な教授陣のおかげで、私たちは肯定的な結果を得ることができ、今ではこの種の技術が実現可能であり、テクノロジーに組み込む準備ができていることを実証しました」とワン氏は語った。
この研究は、ワン氏とその協力者による、磁気トンネル接合 (MTJ) デバイスに関する画期的な特許取得済み研究を基にした、一貫した長期にわたる取り組みの一部です。MTJ デバイスは、マイクロコントローラやスマートウォッチなどの組み込みシステムで使用されている磁気ランダム アクセス メモリ (MRAM) を含む、ハード ドライブ、センサー、その他のマイクロエレクトロニクス システムを改善するために使用されるナノ構造デバイスです。
CRAM アーキテクチャは、メモリ内でのメモリによる真の計算を可能にし、ほぼすべての現代のコンピュータの基礎となっているプログラム格納型コンピュータの理論的な設計である従来のフォン・ノイマン・アーキテクチャのボトルネックであった計算とメモリ間の壁を打ち破ります。
「極めてエネルギー効率の高いデジタルベースのインメモリ コンピューティング サブストレートである CRAM は、メモリ アレイ内の任意の場所で計算を実行できるという点で非常に柔軟性があります。したがって、さまざまな AI アルゴリズムのパフォーマンス ニーズに最も合うように CRAM を再構成できます」と、コンピューティング アーキテクチャの専門家で、論文の共著者であり、ミネソタ大学電気・コンピュータ工学部の准教授である Ulya Karpuzcu 氏は述べています。「これは、今日の AI システム用の従来のビルディング ブロックよりもエネルギー効率に優れています。」
CRAM はアレイ構造を効率的に利用してメモリセル内で直接計算を実行するため、低速でエネルギーを大量に消費するデータ転送が不要になると Karpuzcu 氏は説明した。
最も効率的な短期ランダム アクセス メモリ (RAM) デバイスは、1 または 0 をコード化するために 4 個または 5 個のトランジスタを使用しますが、スピントロニクス デバイスである MTJ は、同じ機能をわずかなエネルギーでより高速に実行でき、過酷な環境にも耐えることができます。スピントロニクス デバイスは、電荷ではなく電子のスピンを利用してデータを保存するため、従来のトランジスタ ベースのチップよりも効率的な代替手段となります。
現在、チームはミネソタ州を含む半導体業界のリーダーたちと協力して、大規模なデモンストレーションを実施し、AI 機能を進化させるハードウェアを製作することを計画しています。
チームには、Lv、Wang、Karpuzcuに加えて、ミネソタ大学電気・コンピュータ工学部の研究者Robert BloomとHusrev Cilasun、著名なMcKnight教授でRobert and Marjorie Henle会長のSachin Sapatnekar、元ポスドク研究者のBrandon Zink、Zamshed Chowdhury、Salonik Resch、アリゾナ大学の研究者Pravin Khanal、Ali Habiboglu、Weigang Wang教授が含まれていた。
この研究は、米国防高等研究計画局（DARPA）、国立標準技術研究所（NIST）、国立科学財団（NSF）、シスコ社からの助成金によって支援されました。ナノデバイスのパターン形成を含む研究はミネソタナノセンターと共同で実施され、シミュレーション/計算作業はミネソタ大学のミネソタスーパーコンピューティング研究所と共同で行われました。「磁気トンネル接合ベースの計算ランダムアクセスメモリの実験的実証」と題された研究論文全体を読むには、 npj 非従来型コンピューティング Webサイト。
#研究者らは人工知能のエネルギー効率を高める最先端の装置を開発