Nova memória RRAM quebra a barreira de limitações de desempenho da IA

No mundo da inteligência artificial, existe um problema persistente conhecido como "parede de memória". Até os modelos de IA mais rápidos enfrentam limitações causadas pelo tempo e energia necessários para transferir dados entre o processador e a memória. Uma solução promissora para este problema é o uso de memória resistiva (RRAM), que permite que computações sejam realizadas diretamente nas células de memória, contornando gargalos tradicionais.

No entanto, a maioria dos tipos de RRAM são instáveis e complexos de gerenciar. Felizmente, pesquisadores da Universidade da Califórnia em San Diego podem ter encontrado uma solução. Na conferência IEEE International Electron Device Meeting (IEDM), eles apresentaram um novo tipo de RRAM capaz de executar algoritmos de aprendizado de máquina.

"Redesenhamos completamente a RRAM, repensando o princípio de comutação," diz Duygu Kuzum, engenheira eletricista da Universidade da Califórnia em San Diego, que liderou o projeto. A RRAM tradicional armazena dados usando filamentos de baixa resistência em um material dielétrico. Formar esses filamentos requer alta tensão, o que torna difícil a integração com circuitos CMOS. Além disso, o processo de formação dos filamentos é aleatório e barulhento, o que impacta negativamente o armazenamento de dados, especialmente em redes neurais onde a estabilidade dos pesos é necessária.

O novo desenvolvimento, chamado "bulk RRAM," se diferencia porque comuta uma camada inteira de material entre alta e baixa resistência. Isso elimina a necessidade de formação de filamentos de alta tensão e remove o transistor seletor limitado pela geometria. O grupo de San Diego não foi o primeiro a criar dispositivos bulk RRAM, mas alcançou sucesso significativo na redução de seu tamanho e criação de circuitos tridimensionais.

Os pesquisadores conseguiram reduzir o tamanho da RRAM para a escala de nanômetros (40 nm) e criar pilhas de oito camadas. Cada camada pode assumir 64 valores de resistência, o que é difícil de alcançar com RRAM filiforme tradicional. A resistência da pilha está na faixa de megaohms, que, segundo Kuzum, é mais adequada para operações paralelas. O número aumentado de níveis de resistência e resistência mais alta permitem que a bulk RRAM execute operações mais complexas do que a RRAM tradicional.

A equipe de San Diego testou um arranjo de pilhas de oito camadas com volume de 1 quilobyte usando um algoritmo de aprendizado contínuo. O chip classificou dados de sensores vestíveis, determinando se o usuário estava sentado, caminhando, subindo escadas ou realizando outra ação. A precisão foi de 90%, o que é comparável ao desempenho de uma rede neural implementada digitalmente. Kuzum acredita que a bulk RRAM é particularmente útil para modelos de redes neurais em dispositivos periféricos que precisam aprender com seu ambiente sem acesso à nuvem.

Albert Talin, cientista de materiais do Laboratório Nacional Sandia, observa que a capacidade de integrar RRAM em um arranjo é um passo importante adiante. No entanto, ele enfatiza que preservar dados por longos períodos de tempo pode se tornar um problema, especialmente nas altas temperaturas nas quais os computadores operam. Se os engenheiros conseguirem provar a confiabilidade dessa tecnologia, ela poderia beneficiar todos os tipos de modelos. A "parede de memória" está ficando cada vez mais alta, pois a memória tradicional não consegue acompanhar as crescentes demandas dos grandes modelos. Qualquer solução que permita que modelos funcionem diretamente com a memória poderia ser um avanço tão esperado.