Согласно TechCrunch и Tech Xplore, чип был разработан командой, возглавляемой аспирантом MIT Avishek Biswas, и его наибольшая сила - это способность работать с нейронными сетями на смартфонах, бытовой технике и других портативных устройствах, а не на мощных серверах Дорога.
Это означает, что в будущем телефоны, использующие чип, могут использовать нейронные сети для распознавания речи и лица и обучения на основе глубины, вместо использования более грубого алгоритма, основанного на правилах, или отправки информации в облако для анализа и возврата результатов.
Бисвас сказал, что в целом проекты чипов AI имеют память и процессор, которые будут перемещать данные между памятью и процессором. Машинные алгоритмы требуют большого количества вычислений, а данные передаются назад и вперед наиболее эффективно, Работа этих алгоритмов может быть упрощена до конкретной операции, называемой точечным продуктом, что устраняет необходимость пересылки данных вперед и назад, если операция точечного произведения может быть выполнена непосредственно в памяти.
Нейронные сети обычно делятся на многие слои. Один узел обработки на сетевом уровне обычно получает данные от нескольких узлов на нижнем уровне и передает данные нескольким узлам верхнего уровня. Каждое соединение между узлами Имеет свой вес. И процесс обучения нейронной сети заключается в основном в корректировке этих весов.
Когда узел получает данные из нескольких узлов в нижнем слое, он умножает каждую информацию на свой вес и добавляет эти результаты. Этот процесс называется точечным продуктом. Если точечный продукт превышает определенный порог, результат будет Отправляется в верхний узел.
Фактически, эти узлы представляют собой только веса, хранящиеся в памяти компьютера. Калькуляция точечного продукта обычно включает в себя считывание веса из памяти, получение соответствующих данных, умножение этих двух и сохранение результата где-то и в узле Это повторяется для всех входных данных и при условии, что в нейронной сети будут тысячи или даже миллионы узлов, в процессе должны быть перемещены большие объемы данных.
Но эта серия операций состоит в том, чтобы оцифровать события в мозге, где сигналы перемещаются по нескольким нейронам и встречаются при синапсе. И скорость стрельбы нейронов и напряжение на синапсах Из электрохимического сигнала соответствуют значениям данных и весам в нейронной сети. Новые пластины исследователей МОТ повышают эффективность нейронной сети, более точно реплицируя активность мозга.
В этом чипе входное значение узла преобразуется в напряжение, умноженное на соответствующий вес. Только комбинированное напряжение будет преобразовано обратно в данные и сохранено в памяти для дальнейшей обработки. Поэтому микросхема прототипа может одновременно вычислять 16 Точечный продукт узлов без необходимости переместить данные между процессором и памятью каждый раз, когда выполняется операция.
Дарио Гил (Dario Gil), вице-президент IBM AI, сказал, что результаты исследования, как ожидается, откроют возможность использования более сложных сверточных нейронных сетей для классификации изображений и видео в Internet of Things (IoT).