Figur som oppsummerer maskinvarearkitekturen og bruken av DM-RC-systemet. Kreditt: Zhong et al.
Reservoir computing (RC) er en tilnærming for å bygge datasystemer inspirert av dagens kunnskap om den menneskelige hjernen. Nevromorfe dataarkitekturer basert på denne tilnærmingen består av dynamiske fysiske noder, som kombinert kan behandle spatiotemporale signaler.
Forskere ved Tsinghua University i Kina har nylig laget et nytt RC-system basert på memristorer, elektriske komponenter som regulerer strømmen av elektrisk strøm i en krets, samtidig som den registrerer mengden ladning som tidligere strømmet gjennom den. Dette RC-systemet, introdusert i en artikkel publisert i Naturelektronikkhar vist seg å oppnå bemerkelsesverdige resultater, både når det gjelder ytelse og effektivitet.
“Den grunnleggende arkitekturen til memristor RC-systemet vårt kommer fra vårt tidligere arbeid publisert i Naturkommunikasjonhvor vi validerte muligheten for å bygge analogt reservoarlag med dynamiske memristorer,” sa Jianshi Tang, en av forskerne som utførte studien, til TechXplore. “I dette nye arbeidet bygger vi videre det analoge avlesningslaget med ikke-flyktige memristorer. og integrer det med det dynamiske memristor array-baserte parallelle reservoarlaget for å implementere et fullstendig analogt RC-system.”
RC-systemet laget av Tang og hans kolleger er basert på 24 dynamiske memristorer (DM-er), som er koblet til et fysisk reservoar. Utlesningslaget består på den annen side av 2048×4 ikke-flyktige memristorer (NVM).
“Hver DM i DM-RC-systemet er et fysisk system med datakraft (kalt en DM-node), som kan generere rike reservoartilstander gjennom en tidsmultipleksingsprosess,” forklarte Tang. “Disse reservoartilstandene mates deretter direkte inn i NVM-arrayet for multiplikasjonsakkumuleringsoperasjoner (MAC) i det analoge domenet, noe som resulterer i den endelige utgangen.”
Tang og hans kolleger evaluerte ytelsen til deres dynamiske memristor-baserte RC-system ved å bruke det til å kjøre en dyp læringsmodell på to spatiotemporale signalbehandlingsoppgaver. De fant at den oppnådde bemerkelsesverdig høy klassifiseringsnøyaktighet på 96,6 % og 97,9 % på henholdsvis arytmideteksjon og dynamiske gestgjenkjenningsoppgaver.
“Sammenlignet med det digitale RC-systemet har vårt fullstendig analoge RC-system tilsvarende ytelse i nøyaktighet, men sparer mer enn 99,9 % av strømforbruk (22,2 μW vs 29,4 mW),» sa Tang. «En unik egenskap ved arbeidet vårt er at for å konstruere et fullstendig analogt RC-system, brukte vi to forskjellige typer memristorer: DM-er som parallelle reservoarer og NVM-matriser som avlesning lag, uten hjelp av noen digitale komponenter, slik som de som brukes i tidligere rapporterte hardware RC-systemer.”
Den unike systemarkitekturen utviklet av dette teamet av forskere reduserer kompleksiteten til RC-tilnærminger, samtidig som den reduserer strømforbruket betydelig. I fremtiden kan det dermed muliggjøre enklere og større RC-maskinvareimplementeringer.
“Optimaliserte ikke-flyktige memristorer med utmerkede analoge svitsjegenskaper ble integrert for å oppfylle ende-til-ende analog signaloverføring og prosessering gjennom hele RC-systemet,” sa Tang. “Basert på støymodellen hentet fra memristor-arrayene våre, ble det også brukt en støybevisst lineær regresjonsmetode for å trene utgangsvekten og effektivt redusere nøyaktighetstapet (mindre enn 2%) forårsaket av de ikke-ideelle egenskapene til memristorer. “
Tang og kollegene hans var de første som demonstrerte fullstendig analog signalbehandling i sanntid ved bruk av et RC-maskinvaresystem. Denne demonstrasjonen tillot dem til slutt å pålitelig evaluere systemets totale strømforbruk.
“Ved å korrelere eksperimentelle data med modellsimuleringer, arbeidsmekanismen til DM-RC-systemet, var vi også i stand til å finne ut mer om forholdet mellom de elektriske egenskapene til fysiske noder og systemytelsen,” sa Tang. “Mer spesifikt avduket vi to nøkkelfunksjoner ( dvs. terskel og vindu) som ble hentet ut fra egenskapene til dynamisk memristor noder hadde en betydelig innvirkning på reservoarkvaliteten.”
Etter å ha identifisert to funksjoner som påvirket ytelsen til RC-systemet deres, var Tang og hans kolleger i stand til å definere rekkevidder av disse to funksjonene som førte til optimal RC-ytelse. Kombinert kan disse områdene og deres andre funn tjene som en guide for fremtidig design og optimalisering av RC-systemer. Dette kan bidra til å frigjøre potensialet deres for edge computing, sammen med andre applikasjoner som krever lavt strømforbruk og rimelige maskinvarekostnader.
“I fremtiden kan hele DM-RC-systemet bli miniatyrisert og monolittisk integrert på brikken for ytterligere å redusere strømforbruket og dataforsinkelsen,” la Tang til. “I tillegg kan et dypere og mer sofistikert RC-system konstrueres ved å bruke DM-RC-systemet som en grunnleggende enhet, noe som vil forbedre systemets ytelse ytterligere på grunn av rikere reservoartilstander og sterkere minnekapasitet.”
Et reservoarberegningssystem for tidsdataklassifisering og prognoser
Yanan Zhong et al, Et memristor-basert analogt reservoar databehandlingssystem for sanntids og strømeffektiv signalbehandling, Naturelektronikk (2022). DOI: 10.1038/s41928-022-00838-3
Yanan Zhong et al, Dynamisk memristor-basert reservoarberegning for høyeffektiv tidsmessig signalbehandling, Naturkommunikasjon (2021). DOI: 10.1038/s41467-020-20692-1
© 2022 Science X Network
Sitering: Et effektivt og høyytende memristor-basert reservoarberegningssystem (2022, 19. oktober) hentet 25. oktober 2022 fra https://techxplore.com/news/2022-10-efficient-highly-memristor-based-reservoir.html
Dette dokumentet er underlagt opphavsrett. Bortsett fra enhver rettferdig handel for formålet med private studier eller forskning, kan ingen del reproduseres uten skriftlig tillatelse. Innholdet er kun gitt for informasjonsformål.