Robust neuromorf beräkning med ferroelektriska memristorer
- Diarienummer
- SM21-0008
- Start- och slutdatum
- 220301-241231
- Beviljat belopp
- 1 328 800 kr
- Förvaltande organisation
- Ericsson AB
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Energieffektiv artificiell intelligens (AI) kan realiseras med hjärnlik hårdvara som använder justerbara icke-volatila resistorer (memristorer) för att utföra så kallad beräkning-i-minne. Sådan hårdvara utlovar upp till 10000x minskad energikonsumption, vilket vore omvälvande för AI på ”kanten av molnet”. I praktiken lider systemprestandan dock av memristorernas variabilitet och begränsade livstid. Därför utforskar vi här alternativa sätt och algoritmer för att använda memristorer, och kombinerar Borgs expertis inom nanoelektronik med Ericsson Researchs inom AI-algoritmer och system. Borg kommer arbeta inom Device Platform Research (DPR)-gruppen vid Ericsson Research och drar full nytta av DPRs samarbete med MIT inom hjärnlik hårdvara. Vi baserar vår analys på experimentell data från Borgs ferroelektriska tunnelövergångs- (FTJ) memristorer, upp till 100x mer energieffektiva än andra teknologier. Första målet är att etablera en simuleringsmodell för FTJer för att utforska designrymden och extrapolera från komponent till system. Vidare undersöker vi för första gången FTJ-baserade binära neurala nätverk, vilka erbjuder energieffektiv drift med enkla perifera kretsar och är robusta mot memristor-variabilitet. Slutligen utforskar vi stokastisk tillståndsändring i nanoskaliga FTJer för oövervakad stokastisk inlärning. Projektet kommer att drastiskt öka förståelsen för hur man kan dra nytta av binära och stokastiska vikter i memristorerbaserad hållbar artificiell intelligens.
Populärvetenskaplig beskrivning
Artificiell Intelligens blir alltmer en essentiell del av vårt samhälle, med smarta prylar i våra hem, fabriker som själva optimerar material- och arbetsflöden, samt analysverktyg som låter läkare snabbt analysera miljontals forskningsresultat för att sätta rätt diagnos. Och detta är bara början på den digitala revolution som kommer att förändra vårt samhälle i grunden. Det finns dock ett stort hinder, den höga energiförbrukning som dagens AI-system lider av; energin som krävs för att träna ett enda sådant system kan motsvara en bils totala utsläpp under dess livstid. I en tid då vi måste drastiskt minska vår miljöpåverkan för att undvika klimatkollaps blir det därför uppenbart att det behövs nya lösningar för att kunna erbjuda kraftfull men samtidigt miljömässigt hållbar AI. Det som gör AI energikostsamt är att dagens hårdvara inte är väl anpassad för uppgiften. De stora mängder data som bearbetas flyttas ständigt omkring i systemet, vilket kostar energi. Vår hjärnas struktur fungerar annorlunda och logiken sitter i själva mönstret som hjärnans kopplingar skapar, vilket gör att hjärnan med en bråkdel av energin jämfört med dagens hårdvara kan utföra tusenfalt så mycket beräkningar. En lovande väg framåt är därför att utveckla elektronisk hårdvara som inspireras av hjärnans struktur och funktion, så kallad neuromorf hårdvara. Kärnan i denna hårdvara är ett nanometer-stort självjusterande elektriskt motstånd, en memristor, vilket motsvarar en av hjärnans kopplingar. Neuromorf hårdvara har potential att bli 10 000 gånger mer energieffektiv än dagens motsvarighet och kan därmed radikalt förändra AI-industrin. Tyvärr lider dagens memristorer av diverse brister och variationer, vilket i realiteten starkt begränsar hur bra ett neuromorft system presterar. Mattias Borg, docent i nanoelektronik vid LTH, och AI-experterna vid Ericsson Research går här samman för att angripa detta problem genom att studera två alternativa och robusta sätt att använda memristorer på. Vi baserar vår analys på experimentell data från Borgs ferroelektriska memristorer och utvecklar en simuleringsmodell med vilken vi kan utvärdera hela systemets prestanda. Med modellen utforskar vi, utifrån ett systemperspektiv, fördelarna med en memristor med bara två lägen samt en memristor vars tillstånd slumpmässigt kan byta läge. Projektet lägger därmed grunden för att inom en snar framtid etablera en svensk neuromorf hårdvaruplattform till gagn för industri och AI-forskning i Sverige.