ذاكرة RRAM الجديدة تخترق حدود أداء الذكاء الاصطناعي

في عالم الذكاء الاصطناعي، توجد مشكلة مستمرة معروفة باسم "جدار الذاكرة". حتى أسرع نماذج الذكاء الاصطناعي تواجه قيوداً ناجمة عن الوقت والطاقة المطلوبة لنقل البيانات بين المعالج والذاكرة. يعتبر استخدام الذاكرة المقاومة (RRAM) حلاً واعداً لهذه المشكلة، حيث يسمح بإجراء العمليات الحسابية مباشرة في خلايا الذاكرة، متجاوزاً الاختناقات التقليدية.

ومع ذلك، معظم أنواع RRAM غير مستقرة وصعبة الإدارة. لحسن الحظ، قد يكون الباحثون من جامعة كاليفورنيا في سان دييغو قد وجدوا حلاً. في مؤتمر IEEE International Electron Device Meeting (IEDM)، قدموا نوعاً جديداً من RRAM قادراً على تنفيذ خوارزميات التعلم الآلي.

"أعدنا تصميم RRAM بالكامل، وأعدنا التفكير في مبدأ التبديل"، تقول ديوغو كوزوم، مهندسة كهربائية من جامعة كاليفورنيا في سان دييغو، التي أشرفت على المشروع. تقوم ذاكرة RRAM التقليدية بتخزين البيانات باستخدام خيوط منخفضة المقاومة في مادة عازلة. يتطلب تكوين هذه الخيوط جهداً عالياً، مما يجعل من الصعب التكامل مع دوائر CMOS. علاوة على ذلك، عملية تكوين الخيوط عشوائية وضوضائية، مما يؤثر سلباً على تخزين البيانات، خاصة في الشبكات العصبية حيث تكون استقرار الأوزان مطلوباً.

يختلف التطور الجديد، الذي يُسمى "bulk RRAM"، بأنه يبدل طبقة كاملة من المادة بين المقاومة العالية والمنخفضة. هذا يلغي الحاجة إلى تكوين خيوط عالية الجهد ويزيل ترانزستور المحدد المحدود بالهندسة. لم تكن مجموعة سان دييغو الأولى في إنشاء أجهزة bulk RRAM، لكنها حققت نجاحاً كبيراً في تقليل حجمها وإنشاء دوائس ثلاثية الأبعاد.

تمكن الباحثون من تقليل حجم RRAM إلى المقياس النانومتري (40 نانومتر) وإنشاء أكوام بثماني طبقات. يمكن لكل طبقة أن تقبل 64 قيمة مقاومة، وهو أمر صعب تحقيقه مع RRAM الخيطية التقليدية. تقع مقاومة المكدس في نطاق الميغاأوم، والذي يناسب العمليات الموازية بشكل أفضل، وفقاً لكوزوم. يسمح العدد المتزايد من مستويات المقاومة والمقاومة الأعلى لـ bulk RRAM بإجراء عمليات أكثر تعقيداً من RRAM التقليدية.

اختبرت فريق سان دييغو مصفوفة من أكوام بثماني طبقات بحجم 1 كيلوبايت باستخدام خوارزمية التعلم المستمر. صنفت الشريحة البيانات من أجهزة الاستشعار القابلة للارتداء، لتحديد ما إذا كان المستخدم يجلس أم يمشي أم يصعد السلالم أم يؤدي إجراء آخر. كانت الدقة 90٪، وهو ما يضاهي أداء شبكة عصبية منفذة رقمياً. يعتقد كوزوم أن bulk RRAM مفيدة بشكل خاص لنماذج الشبكات العصبية على الأجهزة الطرفية التي تحتاج إلى التعلم من بيئتها دون الوصول إلى السحابة.

يلاحظ ألبرت تالين، عالم المواد في مختبر سانديا الوطني، أن القدرة على دمج RRAM في مصفوفة تمثل خطوة مهمة للأمام. ومع ذلك، يؤكد أن الحفاظ على البيانات لفترات زمنية طويلة قد يصبح مشكلة، خاصة عند درجات الحرارة العالية التي تعمل عندها أجهزة الكمبيوتر. إذا تمكن المهندسون من إثبات موثوقية هذه التكنولوجيا، فيمكنها أن تفيد جميع أنواع النماذج. يزداد ارتفاع "جدار الذاكرة" لأن الذاكرة التقليدية لا تستطيع مواكبة الطلب المتزايد للنماذج الكبيرة. قد يكون أي حل يسمح للنماذج بالعمل مباشرة مع الذاكرة بمثابة اختراق طال انتظاره.