Kuwezesha AI Kwenye Ukingo: Mtandao wa Neva Ulioimarishwa Unaotumia Memristor na Ukokotoaji wa Karibu na Kumbukumbu

Yaliyomo

1. Utangulizi

Utafiti huu unawasilisha mbinu ya kipekee kwa AI ya ukingo kwa kuchanganya mitandao ya neva iliyobainishwa kwa kutumia memristor na seli ndogo za jua. Uunganishaji huu unashughulikia changamoto kubwa ya kuwapa nishati mifumo ya AI katika mazingira ya ukingo uliokithiri ambapo vyanzo thabiti vya nishati havipatikani. Mfumo huu unaonyesha uwezo wa kushikamana na mabadiliko ya nishati, ukidumisha utendakazi hata chini ya hali ya mwangaza wa chini sawa na jua 0.08.

2. Muundo wa Kiufundi

2.1 Ubunifu wa Safu ya Memristor

Saketi hiyo inajumuisha safu nne za memristor 8,192 kila moja, jumla ya memristor 32,768. Kila safu imepangwa katika mpangilio wa msalaba ulioboreshwa kwa ukokotoaji wa kidijitali karibu na kumbukumbu. Memristor hutengenezwa kwa kutumia mchakato mseto wa CMOS/memristor, ukiwezesha uunganishaji wa msongamano mkubwa huku ukidumisha ulinganifu wa utengenezaji na michakato ya kawaida ya semikondukta.

2.2 Ukokotoaji wa Kidijitali Karibu na Kumbukumbu

Tofauti na mbinu za kawaida za ukokotoaji ndani ya kumbukumbu za analogi, mfumo huu unatumia muundo kamili wa kidijitali na kitengo cha mantiki-katika-kivutio-sauti na memristor zilizowekwa programu kinyume. Ubunifu huu unaondoa hitaji la ubadilishaji wa analogi-hadi-dijitali na saketi za zilizopo ngumu, ikipunguza kwa kiasi kikubwa matumizi ya nishati na kuboresha uwezo wa kushikamana na mabadiliko ya voltage ya usambazaji.

2.3 Mfumo wa Usimamizi wa Nishati

Mfumo huu unajumuisha seli ndogo ya jua yenye pengo la upana ulioboreshwa hasa kwa matumizi ya ndani. Saketi ya usimamizi wa nishati imebuniwa kushughulikia kutokuwa na utulivu wa asili wa vikokotoo nishati, ikiruhusu mtandao wa neva kubadilika kwa urahisi kati ya hali za ukokotoaji sahihi na za takriban kulingana na nishati inayopatikana.

3. Matokeo ya Majaribio

3.1 Utafiti Chini ya Mwangaza Unaobadilika

Chini ya hali ya mwangaza wa juu, saketi hufikia utafiti sawa na vyanzo vya nishati vya benchi ya maabara, kwa usahihi wa uainishaji unaofanana na utekelezaji wa programu. Mwangaza unapopungua hadi jua 0.08, mfumo hudumisha utendakazi na kupungua kwa wastani tu kwa usahihi wa 8-12% kwenye viwango vilivyojaribiwa.

3.2 Usahihi Dhidi ya Matumizi ya Nishati

Utafiti unaonyesha kuwa picha zisizotambuliwa kwa usahihi chini ya hali ya nishati ya chini ni hasa kesi ngumu za kutambua ambazo huwapa changamoto hata mifumo yenye nishati nzuri. Tabia hii ya kupungua kwa utendakazi kwa uvumilivu hufanya mfumo uwe wa kufaa hasa kwa matumizi ambapo makosa ya mara kwa mara yanakubalika badala ya muda mrefu wa uendeshaji.

4. Utekelezaji wa Kiufundi

4.1 Msingi wa Kihisabati

Mtandao wa neva uliobainishwa unatumia uzito na uanzishaji wa binary, ukipunguza kwa kiasi kikubwa utata wa ukokotoaji. Usambazaji wa mbele unaweza kuwakilishwa kama:

$$a^{(l)} = ishara(W^{(l)} a^{(l-1)} + b^{(l)})$$

ambapo $W^{(l)}$ inawakilisha uzito wa binary, $a^{(l)}$ ni uanzishaji wa binary, na kitendakazi cha ishara kinatoa ±1. Msalaba wa memristor hufanya kuzidisha kwa matriki $W^{(l)} a^{(l-1)}$ kwa ufanisi kwa kutumia ukokotoaji wa msingi wa upinzani.

4.2 Utekelezaji wa Msimbo

class MtandaoNevaUliobainishwa:
    def __init__(self, safu_za_memristor):
        self.safu = safu_za_memristor
        self.vitengo_vya_lisa = []  # Vitengo vya Mantiki-katika-Kivutio-sauti
        
    def kupita_mbele(self, data_ya_ingizo):
        # Bainisha ingizo
        ingizo_la_binary = np.ishara(data_ya_ingizo)
        
        # Fanyia kazi kupitia safu za memristor
        for i, safu in enumerate(self.safu):
            # Ukokotoaji wa kidijitali karibu na kumbukumbu
            pato = safu.kokotoa(ingizo_la_binary)
            # Uchakataji wa LISA
            pato = self.vitengo_vya_lisa[i].chakata(pato)
            ingizo_la_binary = np.ishara(pato)
            
        return pato
    
    def hali_nyingine_ya_nishati(self, nishati_inayopatikana):
        if nishati_inayopatikana < self.kiwango_cha_nishati:
            return "takriban"
        else:
            return "sahihi"

5. Matumizi ya Baadaye

Teknolojia hii inawezesha matumizi mengi katika ufuatiliaji wa afya, usalama wa viwanda, na hisia za mazingira. Matumizi maalum ni pamoja na:

• Vifaa vya kujivika vinavyojipatia nishati yenyewe kwa ajili ya ufuatiliaji endelevu wa mgonjwa
• Vihisishi vilivyo na akili kwa ajili ya matengenezo ya kutabiri katika mazingira ya viwanda
• Mifumo ya ufuatiliaji wa mazingira katika maeneo ya mbali
• Mifumo ya usalama iliyo wazi kila wakati na uwezo wa AI iliyopachikwa

Maendeleo ya baadaye yanaweza kuzingatia kuongeza ukubwa wa teknolojia hii kwa mitandao mikubwa, kuunganisha vyanzo vingi vya kuvuna nishati, na kukuza miundo maalum kwa maeneo maalum ya matumizi.

6. Marejeo

1. Jebali, F. na wengine. "Kuwezesha AI Kwenye Ukingo: Mtandao wa Neva Ulioimarishwa Unaotumia Memristor." arXiv:2305.12875 (2023)
2. Hubara, I. na wengine. "Mitandao ya Neva Iliyobainishwa." Maendeleo katika Mfumo wa Usindikaji wa Taarifa za Neva (2016)
3. Wong, H. S. P. na wengine. "RRAM ya Oksidi-Metali." Matukio ya IEEE (2012)
4. Esser, S. K. na wengine. "Mitandao ya mchanganyiko kwa ukokotoaji wa haraka, wenye ufanisi wa nishati wa neva." Matukio ya Chuo cha Kitaifa cha Sayansi (2016)
5. Yang, J. J. na wengine. "Vifaa vya Memristor kwa ajili ya ukokotoaji." Tekinolojia ya Nanoteknolojia ya Asili (2013)

7. Uchambuzi Muhimu