Магнитный туннельный переход может вдвое сократить потребление энергии для обучения нейросетей
🧠 Наш мозг потребляет в среднем около 20 Вт при работе с массивами данных. ИИ для тех же целей требуется в тысячи раз больше мощности. К тому же нейронные сети постоянно расширяются — вместе с тем растет их потребности в более энергоэффективном аппаратном обеспечении.
📈 Новый способ решения проблемы предложили ученые из Национального института стандартов и технологий США (NIST). Они разработали альтернативный тип оборудования, который может потреблять меньше энергии и работать быстрее аналогов.
🔄 Исследователи предложили использовать оборудование на основе туннельного магнитного сопротивления (MTJ). Такие устройства работают эффективнее за счет того, что хранят данные в том же месте, где выполняют вычисления.
💻 Эффект MTJ проявляется, когда ток протекает между двумя слоями ферромагнетиков, разделенных 1-нанометровым слоем диэлектрика. Магнитный туннельный переход уже много лет применяется в считывающих головках жестких дисков. А еще на основе его эффекта работает магниторезистивная оперативная память (MRAM).
❓В первую очередь ученые хотели узнать, можно ли перенести нейронную сеть на массив MTJ. Ведь обычно при такой передаче может страдать производительность модели — неполадки возникают из-за различий между устройствами, ошибок записи и паразитного сопротивления. Но первые эксперименты показали любопытные результаты.
🍷 Для тестов ученые взяли простой алгоритм, который должен был определять градус и сорт вина по 13 параметрам. Для оценки результата авторы исследования сравнили 300 уникальных решений весовой матрицы двухслойного персептрона. Несмотря на потенциальные неполадки, система показала высокую точность — до 95,3% при массиве 15х15 MTJ.
❗️Смысл эксперимента — доказать, что массив устройств на магнитном туннельном переходе в будущем можно будет полноценно использовать для создания новых систем ИИ. И хотя потребление энергии для обучения нейросети зависит от ее параметров, использование MTJ позволит сократить необходимую мощность как минимум вдвое, говорят ученые.
🧠 Наш мозг потребляет в среднем около 20 Вт при работе с массивами данных. ИИ для тех же целей требуется в тысячи раз больше мощности. К тому же нейронные сети постоянно расширяются — вместе с тем растет их потребности в более энергоэффективном аппаратном обеспечении.
📈 Новый способ решения проблемы предложили ученые из Национального института стандартов и технологий США (NIST). Они разработали альтернативный тип оборудования, который может потреблять меньше энергии и работать быстрее аналогов.
🔄 Исследователи предложили использовать оборудование на основе туннельного магнитного сопротивления (MTJ). Такие устройства работают эффективнее за счет того, что хранят данные в том же месте, где выполняют вычисления.
💻 Эффект MTJ проявляется, когда ток протекает между двумя слоями ферромагнетиков, разделенных 1-нанометровым слоем диэлектрика. Магнитный туннельный переход уже много лет применяется в считывающих головках жестких дисков. А еще на основе его эффекта работает магниторезистивная оперативная память (MRAM).
❓В первую очередь ученые хотели узнать, можно ли перенести нейронную сеть на массив MTJ. Ведь обычно при такой передаче может страдать производительность модели — неполадки возникают из-за различий между устройствами, ошибок записи и паразитного сопротивления. Но первые эксперименты показали любопытные результаты.
🍷 Для тестов ученые взяли простой алгоритм, который должен был определять градус и сорт вина по 13 параметрам. Для оценки результата авторы исследования сравнили 300 уникальных решений весовой матрицы двухслойного персептрона. Несмотря на потенциальные неполадки, система показала высокую точность — до 95,3% при массиве 15х15 MTJ.
❗️Смысл эксперимента — доказать, что массив устройств на магнитном туннельном переходе в будущем можно будет полноценно использовать для создания новых систем ИИ. И хотя потребление энергии для обучения нейросети зависит от ее параметров, использование MTJ позволит сократить необходимую мощность как минимум вдвое, говорят ученые.