ذاكرة RRAM الجديدة تتخطى جدار قيود الأداء في الذكاء الاصطناعي

في عالم الذكاء الاصطناعي، تبرز مشكلة مزمنة تُعرف باسم «جدار الذاكرة». فحتى أسرع نماذج الذكاء الاصطناعي تصطدم بقيود سببها الوقت والطاقة اللازمان لنقل البيانات بين المعالج والذاكرة. ومن الحلول الواعدة لهذه المشكلة استخدام الذاكرة المقاومة (RRAM)، التي تتيح إجراء الحسابات داخل خلايا الذاكرة مباشرة، متجاوزةً الاختناقات التقليدية.

غير أن معظم أنواع RRAM تعاني من عدم الاستقرار وصعوبة التحكم. لكن باحثين من جامعة كاليفورنيا في سان دييغو ربما توصلوا إلى حل. فقد عرضوا في مؤتمر IEEE International Electron Device Meeting (IEDM) نوعًا جديدًا من RRAM قادرًا على تنفيذ خوارزميات التعلم الآلي.

«لقد أعدنا تصميم RRAM بالكامل عبر إعادة التفكير في مبدأ التبديل»، تقول دويغو كوزوم، المهندسة الكهربائية في جامعة كاليفورنيا في سان دييغو التي قادت المشروع. فذاكرة RRAM التقليدية تخزّن البيانات باستخدام خيوط منخفضة المقاومة داخل مادة عازلة. ويتطلب تشكيل هذه الخيوط جهدًا كهربائيًا مرتفعًا، ما يصعّب دمجها مع دوائر CMOS. كما أن عملية تشكيل الخيوط عشوائية وصاخبة، الأمر الذي ينعكس سلبًا على تخزين البيانات، خصوصًا في الشبكات العصبية التي تحتاج إلى ثبات الأوزان.

أما التطوير الجديد، الذي حمل اسم «bulk RRAM»، فيختلف بأنه يبدّل طبقة المادة بأكملها بين مقاومة عالية ومقاومة منخفضة. وهذا يلغي الحاجة إلى تشكيل الخيوط بجهد عالٍ، ويستغني عن ترانزستور الاختيار (selector) الذي يقيّد الهندسة. وليست مجموعة سان دييغو أول من صنع أجهزة bulk RRAM، لكنها حققت تقدمًا كبيرًا في تصغير أحجامها وبناء دوائر ثلاثية الأبعاد.

تمكّن الباحثون من تصغير RRAM إلى مقياس نانومتري (40 نانومترًا) وبناء مكدّسات من ثماني طبقات. وتستطيع كل طبقة اتخاذ 64 قيمة مقاومة، وهو أمر يصعب تحقيقه مع RRAM التقليدية ذات الخيوط. وتقع مقاومة المكدّس ضمن نطاق الميغاأوم، وهو بحسب كوزوم أنسب للعمليات المتوازية. ويتيح ارتفاع عدد مستويات المقاومة وزيادة قيمتها لـ bulk RRAM تنفيذ عمليات أعقد مما تستطيعه RRAM التقليدية.

واختبر فريق سان دييغو مصفوفة من مكدّسات ثمانية الطبقات بسعة 1 كيلوبايت، باستخدام خوارزمية للتعلم المستمر. وصنّفت الشريحة بيانات مستشعرات قابلة للارتداء، محددةً ما إذا كان المستخدم جالسًا أو يمشي أو يصعد الدرج أو يؤدي نشاطًا آخر. وبلغت الدقة 90%، وهو مستوى مماثل لأداء شبكة عصبية منفَّذة بالطريقة الرقمية. وترى كوزوم أن bulk RRAM مفيدة بوجه خاص لنماذج الشبكات العصبية على الأجهزة الطرفية، التي تحتاج إلى التعلم من البيئة المحيطة دون الوصول إلى السحابة.

ويشير ألبرت تالين، عالم المواد في مختبرات سانديا الوطنية، إلى أن القدرة على دمج RRAM في مصفوفة خطوة مهمة إلى الأمام. غير أنه يؤكد أن الاحتفاظ بالبيانات لفترة طويلة قد يصبح مشكلة، خصوصًا عند درجات الحرارة المرتفعة التي تعمل فيها الحواسيب. وإذا تمكّن المهندسون من إثبات موثوقية هذه التقنية، فقد تفيد جميع أنواع النماذج. ويزداد «جدار الذاكرة» ارتفاعًا لأن الذاكرة التقليدية لا تستطيع مجاراة الاحتياجات المتنامية للنماذج الكبيرة. وأي حل يتيح للنماذج العمل مباشرة مع الذاكرة قد يكون الاختراق المنتظر.