Память и логические технологии вместе формируют развитие нейронных вычислительных решений для периферийных устройств, ближнего зарубежья.
Мемристивные устройства - это зарождающиеся энергонезависимые запоминающие устройства, обладающие рядом потенциальных возможностей для поддержки роста в этой области.
Существует несколько энергонезависимых вариантов запоминающих устройств, таких как магнитные или MRAM, фазовые или PCRAM, а также резистивные или ReRAM, которые могут использоваться для построения нейронных сетей.
Двухконтактная резистивная структура требует наличия селекторного устройства, такого как транзистор, для программирования этих устройств в массив. Двумя распространенными примерами использования мемристоров в парадигме нейронных вычислений являются память и вычислительный блок в виде точечного продукта.
Основное назначение memristor как памяти - это запоминающее устройство для взвешивания на этапе обучения в цифровой или дискретной аналоговой обработке доменов.
При этом для вычисления точечного произведения между входом и весами в слое нейросетей в аналоговом домене можно использовать мемристорный объем перекладин.
Развитие мемристорной архитектуры с перекладинами высокой плотности было ограничено отсутствием хорошего и энергоэффективного селекторного устройства. Являясь, резистивным устройством, такие мемристоры, как ReRAM, требуют двух- или однополюсной работы для программирования в определенное состояние.
Память 3D XP является перспективным направлением для решения этой проблемы, и основной проблемой остается вариабельность устройства относительно удельного сопротивления.
Даже с вариативностью нейронные сети показали надежную работу, как и на этапе изучения, любая вариативность в состояниях переводится в вариативность весов, которые компенсируются алгоритмом обучения для нахождения оптимального набора весов, который лучше всего подходит для данной конфигурации нейронной сети.
Рост аппаратного обеспечения для периферийных вычислений обусловлен Интернетом вещей, в котором сенсоры-люди-компьютеры сотрудничают для обеспечения эффективного и полезного интеллектуального применения.
Анализ
Анализ данных для этих приложений часто должен быть быстрым, а также обеспечивать безопасность и конфиденциальность.
Аппаратный уровень безопасности является существенным преимуществом новых устройств, которые могут быть интегрированы в периферийные устройства.
Прогресс в развитии мемристорных устройств и массивов NVM за счет более низкого рабочего напряжения, совместимости с КМОП-устройствами и более высокой скорости позволяет разрабатывать большое разнообразие энерго- и зонально эффективных конфигураций нейронных сетей.
В концепции пограничных вычислений обработка данных смещается от центров обработки данных к пограничным устройствам. Пограничные вычисления зависят от миллиардов различных устройств, подключенных к интернету.
Каждое устройство собирает информацию и может обрабатывать ее локально. Обработанные на пограничном уровне данные собираются в узлах агрегации на промежуточном туманном уровне, который включает сетевые устройства, агрегаторы и шлюзы, необходимые для передачи обработанных данных в облачные ЦОД.
Облако находится на верхнем уровне обработки данных, содержащих хранилища данных, которые отвечают за обработку больших объемов данных.
Пограничные вычисления являются основой для систем IoT, которые объединяют в себе идеи интеллектуальных устройств, интеллектуальных транспортных средств и подключенных систем и могут быть расширены до системных решений с использованием анализа больших данных.
Развитие сетей интернета и объем передаваемых и обрабатываемых в облаке данных ставит под сомнение возможности дата-центров.
Если нынешние тенденции будут развиваться такими же темпами, то через несколько десятилетий объем энергии, необходимый для обработки постоянно растущих объемов данных, приведет к перегрузке полосы пропускания, и требований к облачным вычислениям до такой степени, что удовлетворение требований скорости и стоимости будет невозможным.
Основной идеей пограничных вычислений является локальная обработка данных, которая не требует отправки значительного объема данных на серверы. Все эти механизмы принятия решений и обработки должны быть выполнены на низких уровнях мощности. Это устраняет необходимость в сложных центрах обработки данных.
Пограничные вычисления становятся все более актуальными, поскольку за последние несколько лет значительно возросла мощность, необходимая для обработки данных в центрах обработки данных на серверах.
А если рост объема обрабатываемых данных продолжится, то это приведет к увеличению затрат на питание для поддержки одинаковой скорости и объема обрабатываемых на серверах данных.
Поскольку все периферийные устройства ограничены по площади микросхемы и потребляемой мощности, традиционные архитектуры Von Neumann с традиционными CMOS-устройствами становятся менее осуществимыми в долгосрочной перспективе, поскольку транзисторная масштабируемость является дорогостоящей и энергоемкость вычислений насыщается.
Нейроморфные архитектуры могут быть использованы для решения проблем, связанных с энергией облачных вычислений в памяти и процессорах, а также для достижения энергоэффективности вычислений.
Распределенная природа периферийных вычислительных архитектур позволяет интегрировать нейронные чипы как единицы совместной обработки в периферийные устройства.
Нейронные чипы используют нейронные модели, основанные на биологическом понимании поведения и функций нейронов. Нейронные модели используются для построения различных типов конфигураций нейронных сетей, которые могут имитировать функции и возможности человеческого мозга.
