1. نسل بعدی موجودی تکنولوژی ذخیره سازی: چهار فن آوری با بیشترین پتانسیل؛
با ظهور دستگاه های تلفن همراه، برنامه های شبکه، برای صرفه جویی در انرژی ذخیره سازی داده ها و فن آوری حافظه در حال حاضر افزایش تقاضا برای حافظه DRAM و تکنولوژی حافظه فلش NAND به جریان اصلی، اما نه به سرعت سرعت خواندن و نوشتن از حافظه های DRAM برای ذخیره داده ها برای یک مدت طولانی ؛. فلش NAND داده ها می تواند نجات داد، اما خواندن و نوشتن ضعیف سرعت.
در حالی که هر دو محاسبات، ظرفیت ذخیره سازی حافظه نسل بعدی، مانند یک حافظه مجنترسستف (یک MRAM)، RAM مقاومتی (RRAM)، تکنولوژی 3D XPoint اسپین الکترون با پتانسیل بالا حافظه مغناطیسی (STT-MRAM)، و غیره، برای تبدیل شدن به بعدی عزیزم جدیدی از تکنولوژی حافظه نسل.
فناوری MRAM در سرعت دسترسی به دانشگاهی پیشی خواهد DRAM رسیدن به SRAM، و داده ها پس از قطع برق، در اوایل توسط شرکت Everspin توسعه دست داده است، به عنوان نسل بعدی فن آوری حافظه رقبای مهم دیده می شود. 2017 شیوع فناوری MRAM است سال، LSI فن آوری فن آوری LSI پس از آن در ژاپن در ژاپن برگزار شد سمینار و برنامه های کاربردی سیستم بین المللی، شرکت GlobalFoundries به طور مشترک با Everspin تکنولوژی عمران مغناطیس زدایی حرارتی که اجازه می دهد تا داده ها را با سانتیگراد را صادر کرده است داده های ذخیره شده در 150 درجه، می تواند تا بیش از یک دهه از روند تکنولوژی فرآیند 22 نانومتری می باشد، آن است که تا پایان سال 2017، 2018 انتظار می رود قرار داده و به تولید است.
حافظه شده است را به R & D قرار داده است، اما از دست داد به عقب نشینی بازار حافظه پر هزینه TSMC، TSMC 2017 انجمن فناوری، در معرض حافظه مجنترسستف در حال حاضر روند 22 نانومتری جاسازی شده (eMRAM) فن آوری تولید، برنامه ریزی 2018 تولید تست
RRAM مزیت آن این است مصرف انرژی کمتر در مقایسه با NAND، و ارسال اطلاعات را سریع تر از حافظه فلش NAND 10،000 بار، تولید کنندگان عمده به تحقیقات میکرون، سونی، سامسونگ قرار داده است.
TSMC تکنولوژی eRRAM با تولید 22 نانومتر به عنوان اینتل و میکرون اعلام کرده است. 3D هنر XPoint فروشندگان عمده، با استفاده از ساختار سه بعدی از یک پیکربندی سیم کشی چند لایه، مقاومت سیم و استفاده از یک توری برای نشان 0 و 1، مشابه در اصل یک RRAM.
است یک جایگزین خوب برای دستگاه های ذخیره سازی داشتن نزدیک به 1000 برابر سریعتر از حافظه فلش NAND، همچنین می تواند برای چرخه دستورالعمل استفاده نیاز به برنامه های محاسباتی کم است.
STT-MRAM کاربردی از تکنولوژی زاویه ای اسپینل کوانتومی است، دارای عملکرد بالا و مصرف کم مصرف DRAM و SRAM است و سازگار با تکنولوژی های تولید CMOS موجود است.
در حال حاضر فروشندگان اصلی ورودی IBM و سامسونگ، SK Hynix و توشیبا هستند که IBM و سامسونگ مقاله های پژوهشی خود را در IEEE منتشر کرده اند و نشان می دهد که با موفقیت 10 نانوس ثانیه سرعت انتقال و معماری فوق العاده قدرتمند را به دست آوردند.
اگر چه آینده از حافظه نسل بعدی انتظار می رود که جایگزین بخشی از DRAM و NAND بازار حافظه های فلش، و یا حتی به جای تکنولوژی قدیمی است، اما من معتقدم که با هوش مصنوعی، دستگاه های شبکه و جمع آوری داده های بیشتر و سنجش تقاضا، نسل بعدی فن آوری حافظه برای اولین بار ما در تقاضای اصلی برنامه های جدید، مانند خاطرات TSMC تعبیه شده قفل شده تمرکز خواهد کرد، و بازی را کامل به مزایای استفاده از محاسبات و دسته کوچک موسیقی جاز ذخیره سازی، و اندازه کوچک بیشتر، برای رسیدن به بالاتر مونتاژ نفوذ در بازار.
با این حال، اگر فروشنده نقطه پویا از این دیدگاه، تکنولوژی 22 نانومتری در اواسط 2018 پس از eMRAM بلوغ و شروع به تعداد زیادی از برنامه های بازار.
(نویسنده پژوهشگر موسسه ملی مرکز تحقیقات علوم و فناوری تجربی است)
2. شیوع تقاضای جدید؛ پویایی حافظه قوی؛
محصولات الکترونیکی مدرن، حافظه نقشی حیاتی ایفا می کند. 2017 نیمه هادی مقدار خروجی صنعت بیش از 400 میلیارد $ تخمین زده شده برای اولین بار، یکی از دلایل افزایش حافظه مورد نیاز است، تولید کنندگان می توانند قیمت ها را افزایش، رشد درآمد در حدود 2017 پنج درصد، سامسونگ کره جنوبی بزرگترین عرضه کننده حافظه است، بیشتر بهره مند شوند. این رونق حافظه موج انتظار می رود که همچنان به رانندگی تقاضا برای اینترنت در حال ظهور از همه چیز، دستگاه های پوشیدنی، ذخیره سازی ابر و محاسبات داده های عظیم تبدیل خواهد شد بنابراین با بازار حافظه محور انرژی جنبشی
در ویژگی های ذخیره سازی حافظه در حال حاضر با توجه به داده ها پس از قدرت ناپدید شده است را می توان به حافظه فرار و غیر فرار تقسیم می شوند، حافظه فرار می توانید داده ها پس از قطع برق، هزینه بالا است، اما با سرعت بالا، به طور معمول برای ذخیره سازی داده ها به طور موقت استفاده حفظ؛ غیر فرار فرار سرعت دسترسی به حافظه آهسته است، اما نگهداری طولانی مدت از داده ها.
حافظه استاتیک با دسترسی تصادفی (SRAM) و حافظه با دسترسی تصادفی پویا (DRAM) است که اغلب در تعداد زیادی از سیستم های کامپیوتری و محصولات الکترونیکی استفاده می شود، به عنوان استفاده موقت از حافظه داده فرار است. DRAM در حال حاضر نوت بوک / و برنامه های کاربردی موبایل خداوند، اما در پشتیبانی از مجازی سازی، گرافیک و پیچیده دیگر، برنامه های زمان واقعی نیز کار خواهد کرد برای افزایش سال به سال. DRAM از 80 سال پیش بیش از 20 شرکت جهانی تولید، در حال حاضر تنها سامسونگ (سامسونگ)، اسکی هاینیکس (اسکی هاینیکس) و میکرون (میکرون) و سه بازار انحصار چند جانبه، نوع نرم افزار در حال گسترش از کامپیوتر های بزرگ و دسته لوازم الکترونیکی مصرفی (مانند آی پاد)، تلفن های همراه، کامپیوتر قرص، دستگاه های پوشیدنی، وسایل نقلیه هوشمند، وسایل نقلیه بدون سرنشین DRAM تقاضا بالاتر و بالاتر.
A تنها حافظه به عنوان خوانده (ROM) و یا یک حافظه قابلیت دوباره نویسی را مانند یک هارد دیسک مکانیکی سنتی (هارد)، درایو حالت جامد (SSD به)، یک حافظه فلش (فلش مموری) و مانند آن اگر چه وجود دارد به عنوان خوانده شده مختلف و ارسال مشخصات، اما همه هنوز هم در منبع تغذیه قطع است داده ها می تواند برای مدت طولانی که در آن سرعت عمل فلش در مقایسه با هارد دیسک به طور کلی و یا سریع تر ذخیره می شود، بنابراین به تدریج تبدیل به جریان اصلی.
فلش و معماری حافظه ROM را می توان به صورت موازی با پشت سر هم (NAND)، یک حافظه فلش به صورت موازی (NOR فلش) در بایوس مادربرد است تقسیم (NOR)، پشت سر هم از نوع حافظه فلش (NAND فلش) در محصولات الکترونیکی مصرفی به طور کلی شایع است، مانند تلفن های همراه، درایوهای فلش، SSD، و غیره، فناوری NAND فلش همچنان به تکامل با این روند، واحد هزینه های ظرفیت همچنان به کاهش، در تلفن های هوشمند، دستگاه تعبیه شده و کاربردهای صنعتی از محبوبیت زیادی در سال های اخیر، مورد استفاده در ذخیره سازی داده های بزرگ و در حال رشد افزایش تعداد نوت بوک SSD ها تقاضا، SSD ساخته شده توسط NAND فلش به تدریج جایگزین هارد دیسک از یک روند کلی برای تولید کنندگان عمده سامسونگ، توشیبا و SK Hynix.
DRAM و NAND فلش داشتن ویژگی مکمل و هزینه، پهنای باند بزرگ سابق در ثانیه، و هزینه واحد بالاتر از مصرف برق بیشتر، سرعت انتقال دوم، کاهش مصرف برق و کم هزینه در هر واحد است، و در نتیجه هر دو بر روی خواص تقسیم بندی بازار و کاربردی، بلکه محصولات حافظه در حال حاضر دو اردوگاه، را تشکیل می دهند در پاسخ به همه چیز، ظهور داده های بزرگ و داده های ابر مانند رشد انفجاری برای نسل های، یا به تنهایی و یا جاسازی شده حافظه، خواهد بود یک جزء کلیدی از معماری سیستم .
نگاه به آینده به 2020، اندازه بازار حافظه جهانی از 79510000000 $، که DRAM برای 38.9 درصد، NAND فلش به حساب برای 55.1٪، به حساب برای حافظه نسل بعدی شروع به پریدن کرد است 2.0٪.
با این حال، از آنجا که DRAM جریان اصلی و گلوگاه حافظه NAND و نفوذ بر مراحل مینیاتوری ظاهر شد، و در نتیجه به پیدا کردن راه حل های جایگزین و یا مدارهای تغییر، و غیره، برای مقابله با نیازهای ذخیره سازی داده آینده، صنعت حافظه در حال حاضر مهمترین مسئله است.
طراحی و توسعه سه نسل از حافظه معیارهای شامل هزینه، عملکرد دستگاه، و می تواند از تراکم مینیاتوری، که به طور کلی نیاز به در نظر گرفتن هزینه از تراشه های حافظه، و یک ماژول مدار کنترل می شود؛ شامل عملکرد دستگاه تاخیر، قابلیت اطمینان، ذخیره سازی داده ها دوام و به همین ترتیب.
نسل بعدی حافظه، در حال حاضر به طور کلی در جهت تغییر راه گذشته بار ذخیره برای دسترسی به داده های ذخیره شده با تغییر مکانیسم برای حل محدودیت دولت در این روند، علاوه بر این، مصرف توان کم برای هدف مشترک از اجزای حافظه نسل بعدی و حتی تایوان در جهان ترین فرآیند و مدار قطعات پیشرفته و پرسنل R & D بسیار عالی، ایستاده موقعیت بسیار مطلوب در توسعه حافظه باید مزیت به دست گرفتن، بهبود زنجیره ای زیست محیطی صنعت الکترونیک، انحصار تولید کنندگان خارجی برای جلوگیری از این موضوع از بازار حافظه، یک موضع قاطع در جهان، برای حفظ رقابت صنعت تایوان. (نویسنده یک محقق سیاست در مرکز ملی برای آزمایشگاه های تحقیقاتی تحقیقات و اطلاعات است)
مشخصات پارک های فن آوری
موسسه ملی علوم تجربی و فناوری تحقیقات سیاست و مرکز اطلاعات (STPI) در سال 1974 تاسیس شد، آن شده است به تحقیق و توسعه علم و فن آوری اختصاص داده شده به جمع آوری اطلاعات لازم، ساخت، تجزیه و تحلیل، فرایند و خدمات مسائل. در سال های اخیر، هر دو در اطلاعات پایه منابع، و تقویت تجزیه و تحلیل روند پژوهش، به بررسی مسایل کلیدی، تجزیه و تحلیل اطلاعات ثبت اختراع، نوآوری و کارآفرینی به ترویج انرژی برابر، و برای کمک به دولت نقشه از چشم انداز و استراتژی توسعه علمی و فن آوری، به سمت تحقیقات سیاست فکر می کنم تانک و متخصص در تکنولوژی رو به جلو. روزانه اقتصادی
3.Immervision و Socionext همکاری خواهد کرد به ارائه panomorphEYE کیت توسعه؛
MONTREAL - (BUSINESS WIRE) - Immervision و Socionext امروز اعلام کرد که ایجاد یک همکاری استراتژیک برای هوش مصنوعی (AI) و روبات هایی برای ربات ها، اتومبیل ها، هواپیماهای بدون سرنشین و سایر دستگاه های هوشمند است. برنامه های یادگیری (ML) برای ایجاد اولین سیستم حسگر دیداری هوشمند جامع. پانمورفایای برنامه ریزی شده برای انتشار و راه اندازی در ماه ژوئیه 2018 است.
از طریق همکاری بین دو شرکت ما، هر کس پتانسیل استفاده از سیستم های هوشمند دیداری برای دستگاه های هوشمند و ماشین آلات را دارد. ترکیب منحصر به فرد چشم انداز هوشمند و طراحی پیشرفته SoC با سنسورهای جانبی، هر کسی را قادر می سازد تصور کنید محصولات هوشمند. '
این
panomorphEYE دیدگاه فیوژن 3D، 360 درجه در اطراف تصویر، TOF (TOF)، ژیروسکوپ، قطب نما و سنسورهای دیگر، نمونه سازی سریع، زمان کوتاه تر به بازار است و توانایی افزایش محصول ارزشمند است.
Immervision جنبه های انسانی را به دستگاه های جهانی از طریق پانوراما با زاویه دید عریض ضبط تصویر منحصر به فرد، داده در تصویر و پردازش تصویر قابلیت رسیدن به چشم انداز هوشمند، افزایش توانایی محیط اطراف درک انسان.
Socionext سیستم بر روی چیپ (SoC) سیستم تخصص بی نظیر فراهم می کند، تصویربرداری فراهم می کند، شبکه و قدرت برای تجهیزات پیشرو امروز محاسبات. با هم، شرکت به ارائه قابلیت دید در برتر، استقلال و هوش برای کمک به دستگاه های امروز به دیدن متعهد بیشتر، اطلاعات بیشتر را ببینید
ImmerVision معاون اجرایی رئیس جمهور و مدیر ارشد کسب و کار الساندرو گاسپارینی توضیح داد: "از طریق همکاری بین دو شرکت ما، هر کس می تواند سیستم بینایی هوشمند برای دستگاه های هوشمند و توسعه بینایی ماشین هوشمند و طراحی SoC قدرتمند و هیئت مدیره صرف. ترکیبی منحصر به فرد از سنسور ها اجازه می دهد هر کسی را تصور کنید محصولات دقیق تر.
Mitsugu Naito، معاون رئيس جمهور ارشد Socionext شرکت گفت: "همکاری موفق بین Immervision و Socionext دوربین و پردازش تصویر برنامه های مختلف به ارائه راه حل های پیشرو برای امروز من بسیار خوشحال به اعلام مشارکت راهبردی خود وارد یکی از جدید هستم. فاز: ما بیشتر توانایی های انسان و ماشین را بهبود می بخشیم و به مردم کمک می کنیم تا زندگی کارآمد و ایمن تر داشته باشند
4. شخصی سازی هوش مصنوعی و مصرف کم انرژی IBM در حال توسعه چیپ های شبکه عصبی جدید است
خبرهای خبری NetEase در 16 ژوئن در مورد GPU در حال اجرا بر روی شبکه عصبی پیشرفت شگفت انگیزی در زمینه هوش مصنوعی ایجاد کرده است، اما همکاری بین این دو کامل نیست. محققان IBM امیدوارند که نوعی طراحی کنند به ویژه برای اجرای شبکه های جدید شبکه های عصبی برای ارائه سریعتر و کارآمدتر جایگزین استفاده می شود.
تا همین اواخر قرن حاضر محققان دریافتند که پردازنده های گرافیکی (پردازنده های گرافیکی) برای بازی های ویدئویی می توانند به عنوان شتاب دهنده های سخت افزاری برای اجرای شبکه های عصبی بزرگتر از قبل استفاده شوند.
این به خاطر تعداد زیادی از این تراشه ها می تواند در موازات محاسبه، به جای در آنها مانند یک پردازنده معمولی پردازش شده است. این بسیار مفید است در حالی که محاسبه عمق راست شبکه های عصبی یادگیری متشکل از صدها نفر از نورون های سنگین.
معرفی پردازنده های گرافیکی این امکان را برای توسعه این منطقه فراهم کرده است، اما این تراشه ها هنوز هم نیاز به پردازش و ذخیره سازی جداگانه دارند، بدین معنا که زمان زیادی برای انتقال اطلاعات بین این دو صرف می شود. این باعث می شود مردم شروع به تحقیق در مورد جدید کنند. فن آوری های ذخیره سازی که می توانند داده های ذخیره شده و پردازش شده را در یک مکان ذخیره کرده و در نتیجه افزایش سرعت و بهره وری انرژی را افزایش دهند.
دستگاه های حافظه جدید داده ها را به صورت آنالوگ ذخیره می کنند با تنظیم سطح مقاومت آنها، یعنی داده ها در یک محدوده مداوم ذخیره می شوند، نه از حافظه باینری باینری 1 و 0، زیرا اطلاعات در حافظه ذخیره می شود. در رهیافت سلول، بنابراین می توان به راحتی انتقال ولتاژ بین سلول های حافظه و اجازه دادن به سیستم محاسبات را با استفاده از روش های فیزیکی انجام داد.
با این حال، نقص فیزیکی ذاتی این دستگاه ها به این معنی است که رفتار آنها متناقض است، که منجر به دقت طبقه بندی فعلی استفاده از آنها برای آموزش شبکه های عصبی به طور قابل توجهی کمتر از استفاده از GPU است.
استافانو آمبروگیو، محقق پیش دانشگاهی در تحقیقات IBM که در این مصاحبه با مجله Singularity به رهبری این پروژه، گفت: "ما می توانیم در سیستم سریعتر از GPU تمرین کنیم، اما اگر آموزش دقیق نباشد، این بی فایده است." تا کنون شواهدی وجود ندارد که با استفاده از این دستگاه های جدید می تواند همانند استفاده از GPU دقیق باشد.
Ambrogio و همکارانش در مقاله ای که هفته گذشته در مجله Nature منتشر شده است، شرح داده شده است که چگونه از خاطرات آنالوگ جدید و قطعات الکترونیکی سنتی استفاده می کنند یک تراشه که می تواند دقت گرافیکی را با سرعت بیشتری و با مصرف کمتر مصرف کند.
دلیل این که تکنولوژی ذخیره سازی جدید برای آموزش شبکه های عصبی عمیق دشوار است، این است که این روند نیازمند تحریک هر نورون هزاران بار تا هزاران بار تا زمانی که شبکه به طور کامل تراز شود. تغییر مقاومت این دستگاه ها نیاز به تنظیم مجدد ساختارهای اتمی آنها دارد. Ambrogio گفت: هر بار که روند عملیات متفاوت است، این محرک ها همیشه یکسان نیستند، که منجر به تعدیل نادرست وزن نورون ها می شود.
محققان این مسئله را با ایجاد واحدهای سیناپسی حل کرده اند که هر کدام از آن ها با یک حافظه بلند مدت و کوتاه مدت مرتبط با یک نورون در شبکه است. هر سلول شامل یک جفت حافظه تغییر فاز است ترکیبی از یک PCM) سلول و سه ترانزیستور و یک خازن، PCM اطلاعات وزن را در مقاومت ذخیره می کند و خازن اطلاعات وزن را به عنوان یک بار ذخیره می کند.
PCM یک نوع "حافظه بی ثبات" است، به این معنی که حتی اگر منبع قدرت خارجی وجود نداشته باشد، می تواند اطلاعات ذخیره شده را حفظ کند و خازن بی ثبات است، بنابراین فقط ظرف چند میلی ثانیه می تواند بار آن را حفظ کند. اما خازن ها هیچ تغییری در دستگاه های PCM ندارند و بنابراین می توانند به سرعت و دقیق برنامه ریزی شوند.
زمانی که تصویر شبکه عصبی آموزش داده شده است به انجام کار طبقه بندی، تنها وزن خازن راست به روز می شوند. پس از در حال مشاهده به چند هزار تصاویر، داده های وزن خواهد شد به واحد PCM برای ذخیره سازی طولانی مدت منتقل می شود. تنوع PCM بدان معنی است که وزن انتقال داده ها است که هنوز هم به احتمال زیاد حاوی اشتباهات، اما از آنجا که واحد فقط گاه به گاه به روز شده، بنابراین شما می توانید هدایت دوباره بدون افزایش پیچیدگی سیستم را چک کنید در. Ambrogio گفت که اگر آموزش به طور مستقیم در واحد PCM است که امکان پذیر نیست.
برای آزمایش دستگاه خود را، محققان در شبکه خود یک سری از نتایج محبوب تشخیص تصویر معیار به دست آورد TensorFlow دقت قابل توجه و گوگل پیشرو نرم افزار شبکه عصبی انجام شده است. اما این مهم است، آنها پیش بینی، و در نهایت ساخت تراشه های پردازنده گرافیکی از 280 برابر بیشتر انرژی کارآمد، بلکه در نیروی اپراتور در هر میلی متر مربع تا 100 برابر از پردازنده اجرا شده است. قابل ذکر است، محققان به طور کامل ساخته تراشه است.
اگر چه سلول های PCM واقعی در آزمون، اما اجزای دیگر بر روی کامپیوتر شبیه سازی شده. Ambrogio گفت: آنها قبل از سرمایه گذاری زمان و تلاش برای ایجاد یک تراشه کامل، اول بررسی کنید که آیا این امکان پذیر است امیدوار است. او گفتند PCM تصمیم به استفاده از تجهیزات واقعی، چرا که شبیه سازی از این دستگاه بسیار قابل اعتماد نیست، اما اجزای دیگر از تکنولوژی شبیه سازی شده است بسیار بالغ، آنها را به اعتماد به نفس برای ساخت یک تراشه کامل بر اساس این طرح است.
Ambrogio گفت این نیز تنها GPU برای رقابت در شبکه های عصبی به طور کامل متصل شده، در این شبکه عصبی، هر نرون به یک لایه از سلول های عصبی در ارتباط است، اما در واقع بسیاری از آنها به طور کامل از شبکه های عصبی متصل نیست، یا فقط چند لایه به طور کامل با یکدیگر متصل می شوند.
اما Ambrogio گفت تراشه نهایی خواهد شد به شکل در همکاری با GPU، به طوری که روند محاسبه پردازش را می توان به طور کامل لایه متصل در حالی که سایر اتصالات. او همچنین معتقد است که روش کارآمد این فرایند بیشتر ممکن است لایه به طور کامل متصل برنامه گسترده تر است.
چنین یک تراشه خاص که می تواند چیزهایی را ممکن می سازد؟
Ambrogio گفت که دو برنامه اصلی وجود دارد: یکی از هوش مصنوعی به دستگاه های شخصی است، و دوم، به مرکز داده ها کارآمد تر شرکت های فن آوری بزرگ است که به یک نگرانی عمده به دلیل سرور های خود را به مقدار زیادی برق مصرف می کند.
اگر هوش مصنوعی به طور مستقیم به دستگاه های شخصی اعمال شود، کاربران می توانند حریم خصوصی خود را بدون نیاز به اشتراک گذاری داده های خود در ابر ذخیره کنند، اما Ambrogio گفت که چشم انداز جالب تر، شخصی سازی هوش مصنوعی است.
او گفت: "با استفاده از این شبکه عصبی به ماشین یا گوشی هوشمند خود، آنها می توانند از تجربه شما یاد بگیرند."
'تلفن همراه شما برای صدای شما شخصی خواهد شد، ماشین شما نیز براساس عادت های شما خواهد بود تا یک سبک رانندگی منحصر به فرد را ایجاد کنید.'