Разработанный чип значительно ускоряет выполнение сложных задач по моделированию работы мозга и позволяет преодолеть вычислительное ограничение, существовавшее десятилетиями, в области нейронной динамики в реальном времени.
Чип был разработан совместно командой под руководством Ян Юйчао, профессора Школы интегральных схем Пекинского университета, и Сун Чжитана, научного сотрудника Шанхайского института микросистем и информационных технологий (SIMIT) Китайской академии наук. Результаты исследования были опубликованы в журнале Science 3 июля.
По мнению исследователей, для того чтобы машины могли моделировать и понимать физический мир в режиме реального времени, подобно человеческому мозгу, необходимы нейронные динамические системы, сочетающие в себе нейронные сети и дифференциальные уравнения. Такие системы могут реконструировать гладкие и точные трехмерные структуры мозга на основе неполных и зашумленных данных, что открывает широкие возможности для нейробиологии и интеллектуальных вычислений. Однако традиционные вычислительные архитектуры страдают от давней проблемы «стены памяти», когда память и вычислительные ресурсы физически разделены. При решении дифференциальных уравнений огромные объемы промежуточных данных должны постоянно передаваться между процессорами и памятью, что приводит к высокой задержке и энергопотреблению.
Чтобы преодолеть это ограничение, исследователи обратились к внутренним физическим свойствам устройств памяти с фазовым переходом (PCM). Они использовали предсказуемый и точно контролируемый дрейф проводимости, наблюдаемый в мемристорах с фазовым переходом в течение определенных временных интервалов.
Опираясь на эту особенность, команда предложила новую парадигму контролируемых вычислений в памяти. Самый трудоемкий процесс при решении нейронных динамических систем — адаптивный поиск временных шагов — был напрямую сопоставлен с физической эволюцией проводимости устройства, что позволило выполнять вычисления внутри самих ячеек памяти. По сути, операции, которые традиционно требовали сложных цифровых схем, многократного обращения к памяти и интенсивного перемещения данных, теперь выполняются за счет присущих устройству физических свойств.
Исследователи также сопоставили веса нейронной сети с несколькими состояниями проводимости памяти с фазовым переходом, что позволило выполнять операции матричного умножения и накопления в рамках одного и того же массива памяти. В результате чип объединяет обе ключевые вычислительные функции в массив compute-in-memory, занимающий всего 0,28 мм².
Чип, изготовленный по 40-нанометровому техпроцессу, работает на частоте 50 МГц и требует всего девяти этапов конвейера для выполнения каждого этапа интеграции, что обеспечивает задержку в одну итерацию в 2,12 мс. Эта работа представляет собой первую аппаратную реализацию нейронных динамических систем, способных работать с задержкой в миллисекунды.
Оценка производительности показала значительный прирост. По сравнению с новейшими специализированными ускорителями, этот чип обеспечивает в 3,82–36,27 раза более высокую вычислительную скорость при снижении энергопотребления в 11,75–24,73 раза. При высокоточной реконструкции коры головного мозга он превзошел графический процессор NVIDIA A100 в 50,38–478,18 раза, генерируя гладкие, топологически согласованные кортикальные сетки, которые точно воспроизводят сложную складчатость коры, подавляя артефакты и дефекты самопересечения, характерные для традиционных методов.
Разработка может значительно расширить возможности интерфейсов «мозг — компьютер» (ИМК) и может позволить создавать персонализированные цифровые двойники мозга в режиме реального времени, обеспечивая аппаратную поддержку таких приложений, как интраоперационная нейронная навигация, ранний скрининг болезни Альцгеймера и индивидуальные терапевтические вмешательства.