بر اساس گزارش TechCrunch و فناوری XPLORE گزارش داد که این تراشه توسط MIT دانشجوی کارشناسی ارشد Avishek بیسواس توسعه داده شد منجر تیم بزرگترین مزیت آن است در تلفن های هوشمند، لوازم خانگی و سایر دستگاه های قابل حمل، به جای سرور تشنه قدرت در حال اجرا شبکه عصبی جاده ها است.
این بدان معنی است که آینده استفاده از ویفر می توانید یک شبکه عصبی برای صدا و تشخیص چهره و یادگیری عمق مادری گوشی، به جای استفاده از الگوریتم های مبتنی بر قواعد خشن تر، و یا ارسال اطلاعات به ابر منتقل می شود برای بازگشت به نتایج تجزیه و تحلیل.
بیسواس گفت AI به طور کلی دارای یک حافظه طراحی ویفر و پردازنده. در عمل، زمانی که داده است به جلو و عقب بین حافظه و پردازنده منتقل شده است. الگوریتم های یادگیری ماشین نیاز به محاسبات گسترده، و در نتیجه بسیاری از داده های انتقال قدرت، اما این الگوریتم ساده عملیات محاسباتی است به عنوان یک محصول از نقطه خاص (ضرب) اشاره شد، و اگر به طور مستقیم در حافظه محصول از نقطه انجام، آن است که لازم نیست برای انتقال داده ها به عقب و جلو.
شبکه های عصبی است که معمولا به لایه های بسیاری تقسیم شده است. یک لایه شبکه پردازش گره منفرد از لایه های پایین تر دریافت داده معمولا چند گره است و به لایه فوقانی از کثرت گره عبور داده. هر اتصال بین گره دارای وزن آن است. روند آموزش شبکه های عصبی به طور عمده در تنظیم این وزن.
پس از یک گره به دست آوردن یک کثرت از گره های داده های اساسی، هر داده خواهد شد در وزن خود را ضرب، و اضافه کردن نتایج. این فرآیند به نام عملیات نقطه محصول می باشد. اگر محصول از نقطه بیش از یک آستانه خاص، این منجر خواهد شد به گره فوق فرستاده می شود.
در واقع، تنها گره ها در حافظه کامپیوتر را در وزن مناسب ذخیره می شود محاسبه ضرب به طور کلی شامل خواندن از حافظه وزن، دسترسی به داده های مربوطه، ضرب دو، و در نتیجه در جایی ذخیره می شود، و گره همه داده های ورودی را تکرار این عملیات با توجه به یک شبکه عصبی هزاران یا حتی میلیون ها گره ها، این روند باید مقادیر زیادی از داده است.
اما این سری عملیات این است که رویدادهای مغز را که در آن سیگنال ها در امتداد چندین نورون حرکت می کنند و در سیناپس ملاقات می کنند، دیجیتالی کنند. و میزان شلیک نورون ها و ولتاژ در سیناپس ها سیگنال الکتروشیمیایی با مقادیر و وزن داده های شبکه عصبی مطابقت دارد. ویفر های جدید محققان MIT موجب افزایش کارایی شبکه عصبی با تردید تکرار فعالیت مغز می شوند.
در این تراشه، مقدار ورودی گره به ولتاژ تبدیل می شود و ضرب وزن مناسب می شود. فقط ولتاژ ترکیب شده به داده ها تبدیل می شود و برای پردازش بیشتر در حافظه ذخیره می شود بنابراین تراشه ی اولیه می تواند به طور همزمان 16 محصول گره های بدون نیاز به حرکت داده ها بین پردازنده و حافظه هر بار که عمل انجام می شود.
داریو جیل، معاون مدیر IBM AI، گفت که انتظار می رود نتایج این مطالعه امکان استفاده از شبکه های عصبی پیچیده تر پیچیده تر را برای طبقه بندی تصویر و ویدئو در اینترنت اشیاء (IoT) ایجاد کند.