V IBM Research předvedli novou technologii pro in-memory computing s milionem zařízení pro aplikace umělé inteligence (AI) s PCM – phase change memory, paměť s fázovou změnou, jinak také paměť pro data i výpočty. Členem týmu je český vědec Tomáš Tůma.
In-memory computing, nebo také paměť pro data i výpočty, je koncept poslední doby, který využívá fyzických vlastností paměťových zařízení jak pro ukládání, tak pro zpracování informací. Jde o něco trochu jiného než SAP HANA, nebo Oracle Exadata, je to jiný fyzikální princip. In-memory computing založený například na fyzikálním principu PCM se totiž liší od klasické architektury současných počítačů, kdysi navržených von Neumannem, jakými jsou například stolní počítače, servery, notebooky nebo celulární telefony (smartphony), ve kterých se data stěhují tam a zpět mezi pamětí a výpočetní jednotkou, což je zpomaluje a je energeticky méně efektivní.
Zcela nový polovodičový materiál
V laboratořích IBM Research ohlásili, že jejich vědci předvedli nekontrolovaný algoritmus strojového učení, který běžel na milionu zařízení PCM (phase change memory, paměť s fázovou změnou), a úspěšně nalezl časové korelace v neznámých datových tocích. Očekává se, že v porovnání s nejmodernějšími klasickými počítači tento technologický prototyp poskytne 200x vyšší rychlost a energetickou úspornost, což jej činí vysoce vhodným pro masivně paralelní systémy s vysokou hustotou a nízkým příkonem pro aplikace umělé inteligence (AI).
Vědci využili zařízení PCM ze slitiny germania, antimonu a telluridu, umístěné mezi dvěma elektrodami. Když do materiálu pustili velmi slabý elektrický proud, ohřáli jej, a to změnilo jeho stav z amorfního (s neuspořádanými atomy) na krystalický (s uspořádanou konfigurací atomů). Vědci z IBM tím využili dynamiku krystalizace přímo k výpočtu.
„Jde o důležitý pokrok v našem výzkumu fyziky AI, která zkoumá nové materiály, zařízení a architektury,“ prohlásil Dr. Evangelos Eleftheriou, IBM Fellow (fellow = vědec v přen. sl. sm.) a spoluautor studie. „Jelikož škálování CMOS (complementary metal oxide semiconductor) už naráží na technologické limity, je nutno radikálním způsobem opustit rozdělení počítačů na dvojici procesor-paměť, která je v současné době omezuje. Naše výsledky jsou díky jednoduchosti přístupu in-memory výpočtů velmi rychlé a mají nízkou spotřebu.
Podrobnosti jsou vysvětleny ve studii, která vyšla v žurnálu Nature Communications. Autoři předvedli tuto technologii na dvou časových příkladech a porovnali svoje výsledky s tradičními metodami strojového učení, jako například k-násobný clustering:
-
Simulovaná data: Jeden milion biárních (0 nebo 1) náhodných procesů organizovaných v 2D mřížce, založené na matrici 1 000 x 1 000 pixelů černá a bílá, profil britského matematika Alana Turinga. Vědci z IBM poté pixely rozsvěcovali a zhasínali, avšak černé pixely slabě korelovaným způsobem. To znamená, že když blikal černý pixel, existovala mírně vyšší pravděpodobnost, že další černý pixel bude také blikat. Náhodné procesy byly přiřazeny milionu zařízení PCM a byl nasazen jednoduchý učící se algoritmus. S každým bliknutím se PCM pole učilo a zařízení PCM odpovídala korelovaným procesům přechodem do vysokovodivostního stavu. Takto se v zařízeních PCM znovu nakreslila vodivostní mapa kresbu Alana Turinga.
Kresba Alana Turinga nakreslená obvodem PCM -
Data z reálného světa: Aktuální data o dešti, posbíraná za šest měsíců z 270 meteorologických stanic ve Spojených státech v hodinových intervalech. Když v danou hodinu pršelo, bylo to označeno jako „1“, pokud nepršelo, bylo označeno jako „0“. Klasický k-násobný clustering a in-memory přístup se shodnul na klasifikaci 245 z 270 meteostanic. In-memory výpočet klasifikoval 12 meteostanic za nekorelované, které měly být označeny ke korelaci k-násobým clusterovým přístupem. Obdobně klasifikoval výpočetní přístup in-memory 13 stanic jako korelované, které byly označeny jako nekorelované v k-násobném clusteringu.
„Na paměť jsme se doposud dívali jako na místo, kde se pouze uchovávají informace. Avšak v této naší práci jsme ukázali, jak můžeme využít velmi primitivním způsobem fyzikální principy těchto paměťových zařízení k provádění velmi náročných výpočtů. Výsledek výpočtů je také uchován v paměťových zařízeních, a smyslem konceptu je volně se inspirovat způsobem, jak pracuje mozek,“ sdělil Abu Sebastian, vědec zabývající se pamětí a kognitivními (rozpoznávacími) technologiemi v IBM Research a vedoucí autor studie. Kromě toho vede European Research Council, projekt podporovaný na toto téma fondy.
Vědci z IBM Research budou prezentovat další aplikaci in-memory výpočtů na konferenci IDEM v prosinci 2017.
