La recherche amène les ordinateurs analogiques à un pas du numérique

binaire

Crédit : Pixabay/CC0 domaine public

L’avenir de l’informatique peut être analogique.

La conception numérique de nos ordinateurs de tous les jours est bonne pour lire les e-mails et les jeux, mais les ordinateurs de résolution de problèmes d’aujourd’hui fonctionnent avec de grandes quantités de données. La capacité à stocker et à traiter ces informations peut entraîner des goulots d’étranglement des performances en raison de la façon dont les ordinateurs sont construits.

La prochaine révolution informatique pourrait être un nouveau type de matériel, appelé traitement en mémoire (PIM), un paradigme informatique émergent qui fusionne la mémoire et l’unité de traitement et effectue ses calculs en utilisant les propriétés physiques de la machine – pas de 1 ni de 0 nécessaires pour faire le traitement numériquement.

À l’Université de Washington à St. Louis, des chercheurs du laboratoire de Xuan « Silvia » Zhang, professeur agrégé au département Preston M. Green d’ingénierie électrique et des systèmes de la McKelvey School of Engineering, ont conçu un nouveau circuit PIM, qui apporte le flexibilité des réseaux de neurones à porter sur l’informatique PIM. Le circuit a le potentiel d’augmenter les performances du calcul PIM par des ordres de grandeur au-delà de ses capacités théoriques actuelles.

Leur recherche a été publiée en ligne le 27 octobre dans la revue Transactions IEEE sur les ordinateurs. Le travail était une collaboration avec Li Jiang à l’Université Jiao Tong de Shanghai en Chine.

Les ordinateurs de conception traditionnelle sont construits à l’aide d’une architecture Von Neuman. Une partie de cette conception sépare la mémoire, où les données sont stockées ; et le processeur, où le calcul réel est effectué.

« Les défis informatiques d’aujourd’hui sont gourmands en données », a déclaré Zhang. « Nous devons traiter des tonnes de données, ce qui crée un goulot d’étranglement des performances à l’interface du processeur et de la mémoire. »

Les ordinateurs PIM visent à contourner ce problème en fusionnant la mémoire et le traitement en une seule unité.

L’informatique, en particulier l’informatique pour les algorithmes d’apprentissage automatique d’aujourd’hui, est essentiellement une série complexe – extrêmement complexe – d’additions et de multiplications. Dans une unité centrale de traitement (CPU) numérique traditionnelle, cela se fait à l’aide de transistors, qui sont essentiellement des portes commandées en tension pour permettre au courant de circuler ou de ne pas circuler. Ces deux états représentent respectivement 1 et 0. En utilisant ce code numérique (code binaire), un processeur peut effectuer toutes les opérations arithmétiques nécessaires au fonctionnement d’un ordinateur.

Le type de PIM sur lequel travaille le laboratoire de Zhang s’appelle la mémoire résistive à accès aléatoire PIM, ou RRAM-PIM. Alors que dans un processeur, les bits sont stockés dans un condensateur dans une cellule de mémoire, les ordinateurs RRAM-PIM reposent sur des résistances, d’où le nom. Ces résistances sont à la fois la mémoire et le processeur.

Le bonus ? « En mémoire résistive, vous n’avez pas à traduire en numérique ou en binaire. Vous pouvez rester dans le domaine analogique. » C’est la clé pour rendre les ordinateurs RRAM-PIM beaucoup plus efficaces.

« Si vous devez ajouter, vous connectez deux courants », a déclaré Zhang. « Si vous avez besoin de multiplier, vous pouvez modifier la valeur de la résistance. »

Mais à un moment donné, l’information doit être traduite dans un format numérique pour s’interfacer avec les technologies que nous connaissons bien. C’est là que RRAM-PIM a rencontré son goulot d’étranglement, en convertissant les informations analogiques en un format numérique. Ensuite, Zhang et Weidong Cao, un associé de recherche postdoctoral dans le laboratoire de Zhang, ont introduit les approximateurs neuraux.

« Un approximateur de neurones est construit sur un réseau de neurones qui peut approximer des fonctions arbitraires », a déclaré Zhang. Pour n’importe quelle fonction, l’approximateur neuronal peut effectuer la même fonction, mais améliorer son efficacité.

Dans ce cas, l’équipe a conçu des circuits d’approximation neuronale qui pourraient aider à éliminer le goulot d’étranglement.

Dans l’architecture RRAM-PIM, une fois que les résistances d’un réseau crossbar ont effectué leurs calculs, les réponses sont traduites dans un format numérique. Cela signifie en pratique additionner les résultats de chaque colonne de résistances sur un circuit. Chaque colonne produit un résultat partiel.

Chacun de ces résultats partiels, à son tour, doit ensuite être converti en informations numériques dans ce qu’on appelle une conversion analogique-numérique, ou ADC. La conversion est énergivore.

L’approximateur neuronal rend le processus plus efficace.

Au lieu d’ajouter chaque colonne une par une, le circuit d’approximation neuronale peut effectuer plusieurs calculs – colonnes descendantes, colonnes transversales ou de la manière la plus efficace. Cela conduit à moins d’ADC et à une efficacité informatique accrue.

La partie la plus importante de ce travail, a déclaré Cao, consistait à déterminer dans quelle mesure ils pouvaient réduire le nombre de conversions numériques se produisant le long du bord extérieur du circuit. Ils ont découvert que les circuits d’approximation neuronale augmentaient l’efficacité autant que possible.

« Peu importe le nombre de sommes partielles analogiques générées par les colonnes du réseau crossbar RRAM – 18, 64 ou 128 – nous n’avons besoin que d’une conversion analogique-numérique », a déclaré Cao. « Nous avons utilisé la mise en œuvre matérielle pour atteindre la limite inférieure théorique. »

Les ingénieurs travaillent déjà sur des prototypes à grande échelle d’ordinateurs PIM, mais ils ont été confrontés à plusieurs défis, a déclaré Zhang. L’utilisation des approximateurs neuronaux de Zhang et Cao pourrait éliminer l’un de ces défis : le goulot d’étranglement, prouvant que ce nouveau paradigme informatique a le potentiel d’être beaucoup plus puissant que le cadre actuel ne le suggère. Pas seulement une ou deux fois plus puissant, mais 10 ou 100 fois plus.

« Notre technologie nous permet de nous rapprocher de ce type d’ordinateur », a déclaré Zhang.


Les résistances de mémoire à base de graphène sont prometteuses pour l’informatique basée sur le cerveau


Plus d’information:
Weidong Cao et al, Neural-PIM : traitement en mémoire efficace avec approximation neuronale des périphériques, Transactions IEEE sur les ordinateurs (2021). DOI : 10.1109/TC.2021.3122905

Fourni par l’Université de Washington à St. Louis

Citation: La recherche amène les ordinateurs analogiques à un pas du numérique (2021, 8 décembre) récupéré le 8 décembre 2021 sur https://techxplore.com/news/2021-12-analog-digital.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.