Secondo TechCrunch e Tech Xplore ha riferito che il chip è stato sviluppato dal MIT studente laureato Avishek Biswas ha portato la squadra il suo più grande vantaggio è sui telefoni intelligenti, elettrodomestici e altri dispositivi portatili, piuttosto che i server assetati di potere che eseguono la rete neurale road.
Ciò significa che l'utilizzo futuro del wafer può telefonare una rete neurale per voce e riconoscimento facciale e l'apprendimento di profondità nativo, invece di usare i, algoritmi più ruvido basati su regole, o inviare informazioni al cloud passerà per tornare ai risultati dell'analisi.
Biswas ha detto che in generale i progetti di chip AI hanno una memoria e un processore che spostano i dati avanti e indietro tra la memoria e il processore. Gli algoritmi di apprendimento automatico richiedono un gran numero di operazioni e quindi i dati vengono trasmessi più energia avanti e indietro L'operazione di questi algoritmi può essere semplificata per un'operazione specifica denominata prodotto punto, che elimina la necessità di trasferire i dati avanti e indietro se l'operazione del prodotto con punti può essere eseguita direttamente nella memoria.
Le reti neurali sono generalmente suddivise in più livelli: un singolo nodo di elaborazione in uno strato di rete riceve di solito i dati da diversi nodi nel livello inferiore e passa i dati a più nodi nel livello superiore. Ha il suo peso. E il processo di formazione della rete neurale è principalmente quello di regolare questi pesi.
Quando un nodo ottiene i dati di più nodi nel livello inferiore, moltiplica ogni dato per il suo peso e aggiunge questi risultati.Questo processo si chiama punto prodotto.Se il prodotto punto supera una certa soglia, il risultato sarà Viene inviato al nodo superiore.
Infatti, questi nodi sono solo i pesi memorizzati nella memoria del computer. Il calcolo del prodotto puntuale di solito comporta la lettura del peso dalla memoria, l'acquisizione dei dati rilevanti, la moltiplicazione dei due e la memorizzazione del risultato da qualche parte e sul nodo Ciò viene ripetuto per tutti i dati di input e dato che ci saranno migliaia o persino milioni di nodi in una rete neurale, nel processo devono essere spostate grandi quantità di dati.
Ma questa serie di operazioni è di digitalizzare gli eventi nel cervello in cui i segnali viaggiano lungo più neuroni e si incontrano alla sinapsi. E il tasso di attivazione dei neuroni e la tensione tra le sinapsi Del segnale elettrochimico corrisponde ai valori dei dati e dei pesi nella rete neurale. I nuovi wafer dei ricercatori del MIT aumentano l'efficienza della rete neurale riproducendo più fedelmente l'attività cerebrale.
In questo chip, il valore di input del nodo viene convertito in voltaggio, moltiplicato per il peso appropriato, solo la tensione combinata viene riconvertita ai dati e archiviata in memoria per un'ulteriore elaborazione. Pertanto, il chip prototipo può calcolare contemporaneamente 16 Dot prodotto dei nodi senza dover spostare i dati tra il processore e la memoria ogni volta che viene eseguita l'operazione.
Dario Gil, vice presidente di IBM AI, ha detto che i risultati dello studio dovrebbero aprire la possibilità di utilizzare reti neurali convoluzionali più complesse per la classificazione di immagini e video nell'Internet of Things (IoT).