IBM 研究人员发表了一篇关于将模拟计算用于人工智能 (AI) 的突破性论文。

构建AI系统时，数据模型需要 训练有素。 这是为训练数据的不同子集分配不同权重的过程，例如描述猫不同特征的图像数据。

当人工智能系统在传统（数字）计算机上训练时，人工智能模型分散并存储在内存中。 计算任务需要在内存和处理单元之间不断传输数据。IBM 表示，这一过程会减慢计算速度并限制可实现的能源效率上限。

将模拟计算用于 AI 可能会提供一种更有效的方式来实现与在数字计算机上运行的 AI 相同的结果。IBM 定义了模拟内存计算， 或模拟人工智能，作为一种利用神经网络在生物大脑中运行方式的关键特征的技术。 研究人员表示，在人类和许多其他动物的大脑中，突触的强度（称为权重）决定了神经元之间的通信。

IBM 表示，在模拟人工智能系统中，这些突触权重原位存储在相变存储器 (PCM) 等纳米级电阻存储设备的电导值中。 然后，它们在深度神经网络中用于执行累积乘法运算。

IBM 表示，该技术减少了在内存和处理器之间不断发送数据的需求。

在《自然电子》杂志上发表的一篇论文中，IBM 研究中心描述了一种混合信号模拟 AI 芯片，可以运行各种深度神经网络 (DNN) 推理任务。 据IBM称，这是首款在测试中执行计算机视觉AI任务时与数字芯片相当的模拟芯片，并且比后者更节能。

该芯片是在 IBM 奥尔巴尼纳米技术中心制造的。 它由 64 个模拟内存计算核心（或芯片）组成，每个核心都包含 256 x 256 的突触单元交叉阵列。IBM 表示，每个芯片中都集成了基于时间的模数转换器，以在模拟数据和数字数据之间进行转换。 每个芯片还集成了轻量级数字处理单元，IBM 表示这些单元可以执行非线性神经元激活功能和缩放操作。

IBM 表示，每个芯片都可以执行一层与 DNN 模型相关的计算。 论文作者表示，“使用该芯片，我们对模拟内存计算的计算精度进行了最全面的研究，并在 CIFAR-10 图像数据集上实现了 92.81% 的精度。”

来源：TopNet Software & 服务频道