Nueva memoria RRAM rompe la barrera de limitaciones en el rendimiento de la IA

En el mundo de la inteligencia artificial, existe un problema persistente conocido como la "pared de memoria". Incluso los modelos de IA más rápidos enfrentan limitaciones causadas por el tiempo y la energía requeridos para transferir datos entre el procesador y la memoria. Una solución prometedora para este problema es el uso de memoria resistiva (RRAM), que permite realizar cálculos directamente en las celdas de memoria, evitando los cuellos de botella tradicionales.

Sin embargo, la mayoría de los tipos de RRAM son inestables y complejos de gestionar. Afortunadamente, investigadores de la Universidad de California en San Diego pueden haber encontrado una solución. En la conferencia IEEE International Electron Device Meeting (IEDM), presentaron un nuevo tipo de RRAM capaz de ejecutar algoritmos de aprendizaje automático.

"Rediseñamos completamente la RRAM, replanteando el principio de conmutación," dice Duygu Kuzum, ingeniera eléctrica de la Universidad de California en San Diego, que dirigió el proyecto. La RRAM tradicional almacena datos utilizando filamentos de baja resistencia en un material dieléctrico. Formar estos filamentos requiere alto voltaje, lo que dificulta la integración con circuitos CMOS. Además, el proceso de formación de filamentos es aleatorio y ruidoso, lo que impacta negativamente en el almacenamiento de datos, especialmente en redes neuronales donde se requiere estabilidad de pesos.

El nuevo desarrollo, denominado "bulk RRAM," se diferencia en que conmuta una capa completa de material entre resistencia alta y baja. Esto elimina la necesidad de formación de filamentos de alto voltaje y elimina el transistor selector limitado por la geometría. El grupo de San Diego no fue el primero en crear dispositivos bulk RRAM, pero logró éxito significativo en la reducción de su tamaño y creación de circuitos tridimensionales.

Los investigadores lograron reducir el tamaño de RRAM a la escala nanométrica (40 nm) y crear pilas de ocho capas. Cada capa puede asumir 64 valores de resistencia, lo que es difícil de lograr con RRAM filamentaria tradicional. La resistencia de la pila está en el rango de megaohmios, que, según Kuzum, es más adecuada para operaciones paralelas. El mayor número de niveles de resistencia y la resistencia más alta permiten que bulk RRAM realice operaciones más complejas que la RRAM tradicional.

El equipo de San Diego probó una matriz de pilas de ocho capas con un volumen de 1 kilobyte utilizando un algoritmo de aprendizaje continuo. El chip clasificó datos de sensores portátiles, determinando si el usuario estaba sentado, caminando, subiendo escaleras u realizando otra acción. La precisión fue del 90%, lo que es comparable al desempeño de una red neuronal implementada digitalmente. Kuzum cree que bulk RRAM es particularmente útil para modelos de redes neuronales en dispositivos periféricos que necesitan aprender de su entorno sin acceso a la nube.

Albert Talin, científico de materiales del Laboratorio Nacional Sandia, señala que la capacidad de integrar RRAM en una matriz es un paso importante adelante. Sin embargo, enfatiza que preservar datos durante períodos prolongados de tiempo puede convertirse en un problema, especialmente a las altas temperaturas a las que operan las computadoras. Si los ingenieros pueden probar la confiabilidad de esta tecnología, podría beneficiar a todos los tipos de modelos. La "pared de memoria" se está haciendo cada vez más alta, ya que la memoria tradicional no puede seguir el ritmo de las demandas crecientes de los grandes modelos. Cualquier solución que permita a los modelos trabajar directamente con la memoria podría ser un avance tan esperado.