På stasjonære datamaskiner, bærbare datamaskiner og smarttelefoner kan datamoduler og minne tildeles. Denne tilnærmingen er kjent som "von Neumann arkitektur" - etter forskeren John von Neumann, en av pionerene innen digital databehandling. I en slik arkitektur beveger data seg konstant mellom minne og dataenheten, noe som er tregt og lite effektivt.
Alt-i-ett-databehandling
Løsningen på dette problemet kan være "dataminne" - en teknologi også kjent som "in-memory computing." I dette tilfellet er det bare de fysiske egenskapene til dataminne som brukes til å lagre og behandle informasjon.
Et forskerteam hos IBM kunngjorde en banebrytende prestasjon innen beregningsminne ved å utføre en maskinlæringsalgoritme på en gruppe på 1 million faseendringsenheter (EPF).
ESF-enheten ble laget av en germanium-antimon-tellurid-legering klemt mellom et par elektroder. Denne prototypeknologien forventes å levere 200x forbedringer i hastighet og energieffektivitet.
Passer for kunstig intelligens
Salgsfremmende video:
ESP-enheten utfører beregninger ved hjelp av krystalliseringsmekanismen - når en elektrisk strøm går, endres det forstyrrede arrangementet av atomer til en ordnet, det vil si krystallinsk. Forskere demonstrerte ESF-teknologi med to tidskontrollerte eksempler og sammenlignet den med tradisjonelle maskinlæringsmetoder.
Evnen til å utføre beregninger raskere vil påvirke datamaskinens samlede ytelse. For IBM betyr dette mer kraft i applikasjoner med kunstig intelligens.
CMOS-teknologi har nådd sin grense, og for å overvinne dens begrensninger, er en radikal endring i prosessorminne-paradigmet uunngåelig.
Computational memory utvider muligheten til å behandle data i sanntid, noe som er veldig viktig nå som bedriftene fokuserer på analytisk informasjonsbehandling. Bransjegiganter som Amazon og Google gjør AI til midtpunktet i virksomheten, så hastigheten på AI-datamaskiner er etterspurt.
Vadim Tarabarko