تتناول هذه المقالة التحديات التي تواجه الذكاء الاصطناعي بسبب جدار الذاكرة، وتستعرض الحلول المحتملة التي تقدمها أجهزة RRAM الضخمة.
أجهزة جديدة قد تتجاوز جدار الذاكرة
تجري الآن عملية البحث عن أي شيء يمكنه التغلب على جدار الذاكرة الدائم في الذكاء الاصطناعي – حتى النماذج السريعة تعاني من الوقت والطاقة المطلوبة لنقل البيانات بين المعالج والذاكرة. يمكن لذاكرة RAM المقاومة (RRAM) أن تتجاوز الجدار من خلال السماح بإجراء الحسابات داخل الذاكرة نفسها. للأسف، معظم أنواع هذه الذاكرة غير المتطايرة غير مستقرة وصعبة الاستخدام لهذا الغرض.
لحسن الحظ، قد تكون هناك حل محتمل في الأفق. في اجتماع أجهزة الإلكترونيات الدولي لجمعية IEEE في ديسمبر، أظهر الباحثون من جامعة كاليفورنيا، سان دييغو، أنهم يستطيعون تشغيل خوارزمية تعلم على نوع جديد تمامًا من RRAM.
يقول دوغو كوزوم، مهندس كهربائي في UCSD، الذي قاد العمل: “لقد أعيد تصميم RRAM، مع إعادة التفكير تمامًا في الطريقة التي يتم بها التبديل”.
تخزن RRAM البيانات كمستوى من المقاومة لتدفق التيار. يمكن إجراء العملية الرقمية الرئيسية في الشبكة العصبية – ضرب مصفوفات الأرقام ثم جمع النتائج – بشكل تماثلي ببساطة عن طريق تمرير التيار عبر مصفوفة من خلايا RRAM، مع توصيل مخرجاتها وقياس التيار الناتج.
تقليديًا، تخزن RRAM البيانات عن طريق إنشاء خيوط ذات مقاومة منخفضة في المواد العازلة ذات المقاومة العالية. غالبًا ما تحتاج عملية تشكيل هذه الخيوط إلى فولتية مرتفعة جدًا بالنسبة لـ CMOS القياسي، مما يعيق تكاملها داخل المعالجات. والأسوأ من ذلك، أن تشكيل الخيوط هو عملية صاخبة وعشوائية، وهو أمر غير مثالي لتخزين البيانات. (تخيل أن أوزان الشبكة العصبية تتغير عشوائيًا. ستتغير الإجابات على نفس السؤال من يوم لآخر.)
علاوة على ذلك، فإن الطبيعة الصاخبة لمعظم خلايا RRAM القائمة على الخيوط تعني أنه يجب عزلها عن دوائرها المحيطة، عادةً باستخدام ترانزستور محدد، مما يجعل التكديس ثلاثي الأبعاد صعبًا.
تؤدي هذه القيود إلى أن RRAM التقليدية ليست جيدة جدًا للحوسبة. على وجه الخصوص، تقول كوزوم، إنه من الصعب استخدام RRAM الخيطي لنوع العمليات المصفوفية المتوازية التي تعتبر حاسمة لشبكات الأعصاب الحديثة.
لذا، قرر الباحثون في UCSD الاستغناء عن الخيوط تمامًا. بدلاً من ذلك، طوروا أجهزة تقوم بتبديل طبقة كاملة من المقاومة العالية إلى المقاومة المنخفضة والعكس. هذا التنسيق، المعروف باسم RRAM الضخمة، يمكن أن يتجاوز كل من خطوة تشكيل الخيوط ذات الفولتية العالية المزعجة وترانزستور التحديد الذي يحد من الهندسة.
لم يكن فريق UCSD الأول في بناء أجهزة RRAM الضخمة، لكنه حقق اختراقات في تصغيرها وتشكيل دوائر ثلاثية الأبعاد بها. قام كوزوم وزملاؤها بتصغير RRAM إلى النانو؛ كانت أجهزتهم بعرض 40 نانومتر فقط. كما تمكنوا من تكديس RRAM الضخمة في ما يصل إلى ثماني طبقات.
مع نبضة فولتية واحدة، يمكن لكل خلية في كومة من ثماني طبقات أن تأخذ أيًا من 64 قيمة مقاومة، وهو رقم يصعب تحقيقه مع RRAM التقليدية القائمة على الخيوط. بينما تقتصر مقاومة معظم الخلايا القائمة على الخيوط على الكيلو أوم، فإن كومة UCSD في نطاق الميجا أوم، وهو ما تقول كوزوم إنه أفضل للعمليات المتوازية.
“يمكننا ضبطها في أي مكان نريد، لكننا نعتقد أنه من منظور التكامل والمحاكاة على مستوى النظام، فإن الميجا أوم هو النطاق المرغوب”، تقول كوزوم.
يمكن أن تسمح هاتان الفائدتان – عدد أكبر من مستويات المقاومة ومقاومة أعلى – لهذه الكومة من RRAM الضخمة بأداء عمليات أكثر تعقيدًا مما يمكن أن تديره RRAM التقليدية.
جمع كوزوم وزملاؤها عدة كومات من ثماني طبقات في مصفوفة سعة 1 كيلوبايت لم تتطلب أي محددات. ثم اختبروا المصفوفة باستخدام خوارزمية تعلم مستمرة: جعل الشريحة تصنف البيانات من أجهزة الاستشعار القابلة للارتداء أثناء إضافة بيانات جديدة باستمرار. على سبيل المثال، قد تُستخدم البيانات المقروءة من هاتف ذكي مثبت على الخصر لتحديد ما إذا كان مرتديها جالسًا أو يمشي أو يصعد السلالم أو يقوم بعمل آخر. أظهرت الاختبارات دقة بنسبة 90 في المئة، والتي يقول الباحثون إنها مقارنة بأداء شبكة عصبية تم تنفيذها رقميًا.
تجسد هذه التجربة ما تعتقد كوزوم أنه يمكن أن يستفيد بشكل خاص من RRAM الضخمة: نماذج الشبكات العصبية على الأجهزة الطرفية، التي قد تحتاج إلى التعلم من بيئتها دون الوصول إلى السحابة.
“نقوم بالكثير من التوصيف وتحسين المواد لتصميم جهاز مخصص لتطبيقات الذكاء الاصطناعي”، تقول كوزوم.
تعتبر القدرة على دمج RRAM في مصفوفة كهذه تقدمًا كبيرًا، كما يقول أليك تالين، عالم المواد في مختبرات سانديا الوطنية في ليفرمور، كاليفورنيا، وباحث في RRAM الضخمة الذي لم يكن مشاركًا في عمل مجموعة UCSD. “أعتقد أن أي خطوة من حيث التكامل مفيدة جدًا”، كما يقول.
لكن تالين يبرز عقبة محتملة: القدرة على الاحتفاظ بالبيانات لفترة طويلة. بينما أظهر فريق UCSD أن RRAM الخاصة بهم يمكن أن تحتفظ بالبيانات في درجة حرارة الغرفة لعدة سنوات (على قدم المساواة مع ذاكرة الفلاش)، يقول تالين إن احتفاظها في درجات الحرارة الأعلى حيث تعمل الحواسيب أقل يقينًا. “هذه واحدة من التحديات الكبرى لهذه التكنولوجيا”، كما يقول، خاصة عندما يتعلق الأمر بالتطبيقات الطرفية.
إذا تمكن المهندسون من إثبات هذه التكنولوجيا، فقد تستفيد جميع أنواع النماذج. لقد ارتفع جدار الذاكرة هذا بشكل أكبر هذا العقد، حيث لم تتمكن الذاكرة التقليدية من مواكبة الطلبات المتزايدة للنماذج الكبيرة. أي شيء يسمح للنماذج بالعمل على الذاكرة نفسها قد يكون اختصارًا مرحبًا به.
إذا تمكنت هذه التكنولوجيا من إثبات فعاليتها، فقد تكون خطوة مهمة نحو تحسين أداء النماذج الذكية وتجاوز القيود الحالية.
