De acordo com o TechCrunch e o Tech Xplore, o chip foi desenvolvido por uma equipe liderada pelo estudante graduado da MIT, Avishek Biswas, e sua maior força é a capacidade de executar redes neurais em smartphones, eletrodomésticos e outros dispositivos portáteis em vez de servidores de alta potência Estrada.
Isso significa que, no futuro, os aparelhos que usam o chip podem usar redes neurais para reconhecimento de fala e rosto e aprendizado na profundidade nativa em vez de usar um algoritmo mais grosso, baseado em regras ou enviar informações para a nuvem para análise e resultados retornados.
Biswas disse que, em geral, os projetos de chips de AI possuem memória e um processador que irá mover os dados para a frente e para trás entre a memória e o processador. Os algoritmos de aprendizado de máquinas requerem um grande número de operações e, portanto, os dados são transmitidos o maior poder para trás e para frente A operação desses algoritmos pode ser simplificada para uma operação específica chamada produto ponto, o que elimina a necessidade de transferir dados para frente e para trás se a operação do produto ponto puder ser executada diretamente na memória.
As redes neurais geralmente são divididas em muitas camadas. Um único nó de processamento em uma camada de rede geralmente recebe dados de vários nós na camada inferior e passa os dados para vários nós na camada superior. Cada conexão entre nós Tem seu peso. E o processo de treinamento da rede neural é principalmente para ajustar esses pesos.
Quando um nó obtém dados de múltiplos nós na camada inferior, ele multiplica cada dado por seu peso e adiciona esses resultados. Esse processo é chamado de produto ponto. Se o produto ponto exceder um determinado limite, o resultado será É enviado para o nó superior.
Na verdade, esses nós são apenas os pesos armazenados na memória do computador. O cálculo do produto do ponto geralmente envolve a leitura do peso da memória, a obtenção dos dados relevantes, a multiplicação dos dois e o armazenamento do resultado em algum lugar e no nó Isso é repetido para todos os dados de entrada, e dado que haverá milhares ou mesmo milhões de nós em uma rede neural, grandes quantidades de dados devem ser movidas no processo.
Mas esta série de operações é digitalizar os eventos no cérebro onde os sinais viajam por múltiplos neurônios e se encontram na sinapse. E a taxa de disparo dos neurônios e a tensão em sinapses Do sinal eletroquímico corresponde aos valores de dados e pesos na rede neural. As novas bolachas dos pesquisadores da MIT aumentam a eficiência da rede neural ao replicar mais fielmente a atividade cerebral.
Neste chip, o valor de entrada do nó é convertido em tensão, multiplicado pelo peso apropriado. Somente a voltagem combinada será convertida de volta aos dados e armazenada na memória para posterior processamento. Portanto, o chip protótipo pode calcular simultaneamente 16 Dot o produto dos nós sem ter que mover os dados entre o processador e a memória sempre que a operação é executada.
Dario Gil, vice-presidente da IBM AI, disse que os resultados do estudo devem abrir a possibilidade de usar redes neurais convolutivas mais complexas para a classificação de imagens e vídeos na Internet das coisas (IoT).