Cip memori tunggal membolehkan latihan di peranti, data ramalan
Cip prototaip menggabungkan kapasitor ferroelektrik dan memoristor untuk mengendalikan kedua -dua pembelajaran dan meramalkan data untuk menjalankan AI secara tempatan pada peranti.
Para saintis telah membangunkan sistem memori baru yang boleh menjalankan kedua -dua latihan dan kesimpulan pada cip yang sama.Peranti kelebihan seperti sensor, monitor perubatan dan wearables memerlukan keupayaan ini kerana mereka mesti menjalankan kecerdasan buatan secara tempatan dengan penggunaan tenaga yang sangat rendah.Kertas ini telah diterbitkan dalam Alam Elektronik
Teknologi memori semasa tidak dapat mengendalikan kedua -dua proses sekaligus.Latihan memerlukan kemas kini yang kerap dengan kos tenaga yang rendah, sementara kesimpulan memerlukan storan yang stabil yang dapat dibaca berkali -kali tanpa kerosakan.Sehingga kini, sistem berasingan diperlukan untuk melaksanakan setiap tugas, yang meningkatkan penggunaan tenaga dan kerumitan reka bentuk.
Reka bentuk baru menggabungkan kapasitor ferroelektrik dan memristor ke dalam satu timbunan.MEMRISTOR adalah komponen elektronik dua terminal yang rintangannya berubah mengikut jumlah caj yang pernah mengalir melaluinya, jadi ia "ingat" masa lalu walaupun selepas kuasa dikeluarkan.
Seperti yang disebutkan kapasitor ferroelektrik membolehkan kemas kini yang kerap, kos rendah, menjadikannya sesuai untuk latihan.Memristors menyediakan bacaan yang stabil dan berulang, menjadikannya sesuai untuk kesimpulan.Kedua -duanya disepadukan ke dalam cip yang sama menggunakan bahan yang sudah biasa dalam pembuatan semikonduktor, yang memudahkan pengeluaran.
Cip prototaip dibina dengan lebih daripada 18,000 peranti.Kebanyakan berfungsi sebagai kapasitor ferroelektrik dan nombor yang lebih kecil bertindak sebagai memristor.Nilai digital disimpan dalam kapasitor, manakala nilai analog disimpan dalam memristors.Pemindahan data secara langsung antara kedua -dua tanpa memerlukan penukar tambahan, yang mengurangkan saiz litar dan penggunaan tenaga.
Sistem ini telah diuji pada pengiktirafan tulisan tangan, klasifikasi imej fesyen dan pengesanan isyarat jantung.Ia juga telah digunakan untuk memindahkan tugas pembelajaran menggunakan model AI sedia ada seperti Mobilenet-V2.Hasilnya menunjukkan prestasi dekat dengan model perisian sambil mengurangkan penggunaan tenaga.Mengemas kini Memristors hanya pada selang juga meningkatkan seumur hidup mereka.
