.
Uma equipe de pesquisa, composta pelo Professor Seyoung Kim do Departamento de Ciência e Engenharia de Materiais e do Departamento de Engenharia de Semicondutores e a ex-aluna Kyungmi Noh e o aluno de doutorado Hyunjeong Kwak do Departamento de Ciência e Engenharia de Materiais da POSTECH, e o Professor Hyung-Min Lee da Escola de Engenharia Elétrica da Universidade da Coreia, demonstrou recentemente que o hardware analógico usando dispositivos ECRAM pode maximizar o desempenho computacional da inteligência artificial, mostrando seu potencial para comercialização. Sua pesquisa foi publicada no periódico Avanços da Ciência.
O rápido avanço da tecnologia de IA, incluindo aplicações como IA generativa, levou a escalabilidade do hardware digital existente (CPUs, GPUs, ASICs, etc.) aos seus limites. Consequentemente, há uma pesquisa ativa em hardware analógico especializado para computação de IA. O hardware analógico ajusta a resistência de semicondutores com base na tensão ou corrente externa e utiliza uma estrutura de matriz de ponto cruzado com dispositivos de memória cruzados verticalmente para processar a computação de IA em paralelo. Embora ofereça vantagens sobre o hardware digital para tarefas computacionais específicas e processamento contínuo de dados, atender aos diversos requisitos para aprendizado computacional e inferência continua sendo desafiador.
Para abordar as limitações dos dispositivos de memória de hardware analógico, a equipe de pesquisa se concentrou na Electrochemical Random Access Memory (ECRAM), que gerencia a condutividade elétrica por meio do movimento e concentração de íons. Diferentemente da memória semicondutora tradicional, esses dispositivos apresentam uma estrutura de três terminais com caminhos separados para leitura e gravação de dados, permitindo a operação com potência relativamente baixa.
Em seu estudo, a equipe fabricou com sucesso dispositivos ECRAM usando semicondutores baseados em três terminais em uma matriz 64×64. Experimentos revelaram que o hardware que incorpora os dispositivos da equipe demonstrou excelentes características elétricas e de comutação, juntamente com alto rendimento e uniformidade. Além disso, a equipe aplicou o algoritmo Tiki-Taka, um algoritmo de aprendizado analógico de ponta, a esse hardware de alto rendimento, maximizando com sucesso a precisão dos cálculos de treinamento de rede neural de IA. Notavelmente, os pesquisadores demonstraram o impacto da propriedade de “retenção de peso” do treinamento de hardware no aprendizado e confirmaram que sua técnica não sobrecarrega redes neurais artificiais, destacando o potencial de comercialização da tecnologia.
Esta pesquisa é significativa porque a maior matriz de dispositivos ECRAM para armazenar e processar sinais analógicos relatada na literatura até o momento é 10×10. Os pesquisadores agora implementaram com sucesso esses dispositivos na maior escala, com características variadas para cada dispositivo.
O professor Seyoung Kim da POSTECH comentou: “Ao criar matrizes em larga escala com base em novas tecnologias de dispositivos de memória e desenvolver algoritmos de IA específicos para analógicos, identificamos o potencial para desempenho computacional de IA e eficiência energética que superam em muito os métodos digitais atuais.”
A pesquisa foi conduzida com o apoio do Ministério do Comércio, Indústria e Energia, do Programa de Treinamento de Talentos em Semicondutores da Parceria Público-Privada, apoiado pelo Instituto Coreano de Planejamento e Avaliação de Tecnologia Industrial (KEIT) e pela Associação Coreana da Indústria de Semicondutores, e da Ferramenta EDA do IDEC.
.
