合并内存和计算 可编程芯片速度AI 削减功耗

通过改变计算的基本属性，普林斯顿大学的研究人员已经建立了一种新型的计算机芯片，可以提高性能并减少用于人工智能的系统的能量需求。

该芯片采用标准编程语言，在依赖高性能计算且电池寿命有限的手机，手表或其他设备上特别有用。

该芯片基于一种称为内存计算的技术，旨在消除主要的计算瓶颈，迫使计算机处理器花费时间和精力从存储的内存中获取数据。内存计算直接在存储中执行计算，从而实现更高的速度和效率。

该新芯片的发布，具有沿系统编程它，紧跟在先前的一份报告，在与ADI公司合作，研究人员已经在内存计算制造电路。电路的实验室测试表明，该芯片的性能比同类芯片快几十到几百倍。但是，最初的芯片并未包含最新版本的所有组件，因此其功能有限。

在新公告中，电气工程副教授Naveen Verma实验室的研究人员报告称，他们已将内存电路集成到可编程处理器架构中。该芯片现在可以使用常见的计算机语言，如C.

“以前的芯片是强大而强大的引擎，”Verma集团的研究生，芯片设计师之一的洪阳佳说。“这款芯片就是整车。”

虽然它可以在广泛的系统中运行，但普林斯顿芯片旨在支持为深度学习推理算法设计的系统，这些算法允许计算机通过学习数据集来制定决策和执行复杂的任务。深度学习系统指导自动驾驶汽车，面部识别系统和医疗诊断软件。

Verma表示，对于许多应用而言，芯片的节能与性能提升同样重要。这是因为预计许多AI应用程序将在由移动电话或可穿戴医疗传感器等电池驱动的设备上运行。例如，Apple iPhone X已经将AI芯片作为其电路的一部分。但是，如果可以通过需要它们的广泛应用程序访问它们，那么节能和性能提升都是有用的 - 这就是对可编程性的需求所在。

“经典的计算机体系结构将处理数据的中央处理器与存储数据的存储器分开，”Verma说。“很多计算机的能量用于来回移动数据。”

在某种程度上，新芯片是对摩尔定律放缓承诺的回应。1965年，英特尔创始人戈登·摩尔(Gordon Moore)观察到，集成电路上的晶体管数量每年都翻了一番，业界也注意到这些晶体管在这个过程中变得更快，更节能。几十年来，这些被称为摩尔定律的观察结果支撑着计算机变得越来越强大的转变。但是近年来，晶体管并没有像过去那样不断改进，而是遇到了物理学的基本限制。

专注于电路和系统设计的Verma考虑了在架构级别而不是晶体管级别上的这种挤压方式。如果AI可以在与计算机存储器相同的位置进行，那么AI所需的计算将更加有效，因为它将消除用于获取远处存储的数据的时间和能量。这将使计算机更快，而无需升级晶体管。但是创建这样一个系统提出了挑战。存储器电路设计得尽可能密集，以便打包大量数据。另一方面，计算要求将空间用于额外的晶体管。

一种选择是用晶体管替代称为电容器的电子元件。晶体管本质上是使用电压变化代表构成二进制计算机信号的1和0的开关。他们可以使用1位和0位数组进行各种计算，这就是系统被称为数字的原因。电容器存储和释放电荷，因此它们可以代表任何数字，而不仅仅是1和0。Verma意识到，使用电容器，他可以在比晶体管更密集的空间内进行计算。

电容器也可以非常精确地制作在芯片上，远远超过晶体管。新设计将电容器与芯片上的静态随机存取存储器(SRAM)的传统单元相配对。电容器和SRAM的组合用于对模拟(非数字)域中的数据进行计算，但是以可靠且易于包括可编程性特征的方式进行计算。现在，存储器电路可以以芯片中央处理单元指示的方式执行计算。

“内存计算近年来已经显示出许多承诺，真正解决了计算系统的能量和速度，”Verma说。“但最重要的问题是，这个承诺是否会扩展并且可以被系统设计人员用于我们真正关心的所有AI应用程序。这使得可编程性成为必要。”