- PVSM.RU - https://www.pvsm.ru -
Исследователи из IBM Research продемонстрировали [1] успешную работу алгоритма машинного обучения без учителя, запущенного на PCM-устройствах (phase-change memory). Этот метод оказался в 200 раз быстрее и энергоэффективнее, чем традиционные вычисления по модели фон Неймана. Согласно заявлению IBM, технология подходит для создания высокоплотных массово-параллельных систем с низким энергопотреблением для использования в области ИИ.
[2]
/ Flickr / IBM Research [3] / CC [4]
При вычислениях в памяти одно и то же устройство (память на основе фазового перехода [5] — PCM) используется [6] как для хранения, так и для обработки данных. Абу Себастиан (Abu Sebastian), исследователь из IBM Research, считает, что этот подход похож на то, как работает
При традиционных вычислениях по модели фон Неймана, обработка и хранение данных происходит на разных устройствах. Постоянный перенос информации с одного устройства на другое отрицательно сказывается на скорости и энергоэффективности вычислений.
В своем эксперименте команда IBM использовала [8] миллион модулей памяти с изменением фазового состояния на основе [9] легированного GeSbTe. Под воздействием электрического тока этот сплав изменяет строение с кристаллического на аморфное. Аморфная форма плохо проводит ток. Поэтому варьируя её объем относительно кристаллической, можно представлять состояния сложнее бинарных.
За счет этого явления удалось [10] реализовать алгоритм машинного обучения по поиску связей между неизвестными потоками данных. Исследователи провели [1] два эксперимента:
На имитированных данных. Имеется миллион случайных бинарных процессов, из которых составлена 2D-сетка, наложенная на черно-белое изображение Алана Тьюринга в разрешении 1000x1000 пикселей. Пиксели мигают с одинаковой частотой, но черные загораются и затухают слабо коррелированным образом.
Получается, когда «моргает» черный пиксель, повышается вероятность, что другой черный пиксель тоже мигнет. Эти процессы подключили к миллиону PCM-устройств и запустили алгоритм обучения. С каждым миганием вероятность «угадывания» повышалась. В результате система воспроизвела изображение.
На реальных данных. Ученые взяли данные о дождях на территории США за 6 месяцев с 270 метеостанций с интервалом в 1 час. Если в течение часа шел дождь, он помечался как 1, иначе — 0. Ученые сравнили результаты своего алгоритма с результатами метода k-средних. Алгоритмы должны были установить корреляцию между данными с разных метеостанций. Результаты методов сошлись по 245 станциям из 270.
/ Flickr / IBM Research [11] / CC [4]
Пока это только эксперимент в лабораторных условиях, но ученые считают его очень важным. По словам [6] Евангелоса Элефтериу (Evangelos Eleftheriou), это большой шаг в исследованиях физики ИИ, а архитектура вычислений в памяти позволит преодолеть ограничения в производительности компьютеров.
Среди недостатков решения исследователи называют [12] возможное снижение точности вычислений. Поэтому использовать систему планируют в областях, где 100% точность не нужна. В декабре 2017 года состоится конференция IEDM, на которой IBM Research представят [1] одно из применений вычислений в памяти.
Автор: ИТ-ГРАДовец
Источник [16]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/ibm/267579
Ссылки в тексте:
[1] продемонстрировали: https://www.ibm.com/blogs/research/2017/10/ibm-scientists-demonstrate-memory-computing-1-million-devices-applications-ai/
[2] Image: https://habrahabr.ru/company/it-grad/blog/341568/
[3] IBM Research: https://flic.kr/p/ZCYuJL
[4] CC: https://creativecommons.org/licenses/by-nd/2.0/
[5] память на основе фазового перехода: https://ru.wikipedia.org/wiki/%D0%9F%D0%B0%D0%BC%D1%8F%D1%82%D1%8C_%D1%81_%D0%B8%D0%B7%D0%BC%D0%B5%D0%BD%D0%B5%D0%BD%D0%B8%D0%B5%D0%BC_%D1%84%D0%B0%D0%B7%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE_%D1%81%D0%BE%D1%81%D1%82%D0%BE%D1%8F%D0%BD%D0%B8%D1%8F
[6] используется: http://www.kurzweilai.net/ibm-scientists-say-radical-new-in-memory-computing-architecture-will-speed-up-computers-by-200-times
[7] мозг: http://www.braintools.ru
[8] использовала: https://hightech.fm/2017/10/25/ai-in-memory
[9] основе: https://nplus1.ru/news/2017/10/25/in-memory-computing
[10] удалось: https://www.youtube.com/watch?v=E_zj0c3UBXo
[11] IBM Research: https://flic.kr/p/ZzxQPi
[12] называют: https://www.flickr.com/photos/ibm_research_zurich/37181475023/in/album-72157687259584931/lightbox/
[13] SSD-кеширование в облаке VMware: http://iaas-blog.it-grad.ru/funkcionalnost/ssd-keshirovanie-v-oblake-vmware/
[14] Как справиться с пиковыми нагрузками при помощи IaaS: http://iaas-blog.it-grad.ru/tendencii/kak-spravitsya-s-pikovymi-nagruzkami-pri-pomoshhi-iaas/
[15] Сайзинг терминального сервера при развертывании в облаке IaaS-провайдера: http://iaas-blog.it-grad.ru/proizvoditelnost/sajzing-terminalnogo-servera-pri-razvertyvanii-v-oblake-iaas-provajdera/
[16] Источник: https://habrahabr.ru/post/341568/?utm_source=habrahabr&utm_medium=rss&utm_campaign=best
Нажмите здесь для печати.