東京大學工業(yè)科學研究所的研究人員設(shè)計并建造了專門的計算機硬件，該計算機硬件由成堆的存儲模塊組成，這些存儲模塊以3-D螺旋形排列以用于人工智能（AI）應用。這項研究可能為下一代節(jié)能AI設(shè)備開辟道路。

機器學習是一種AI，通過這種AI對計算機進行樣本數(shù)據(jù)訓練，以預測新實例。例如，像Alexa這樣的智能揚聲器算法可以學習理解您的語音命令，因此即使您是第一次請求，它也可以理解您。但是，人工智能往往需要大量的電能來訓練，這引發(fā)了人們對增加氣候變化的擔憂。

現(xiàn)在，東京大學工業(yè)科學研究所的科學家們開發(fā)出了一種新穎的設(shè)計，用于將電阻式隨機存取存儲模塊與氧化物半導體（IGZO）存取晶體管堆疊成三維螺旋。將片上非易失性存儲器放置在靠近處理器的位置，可以使機器學習訓練過程更快，更節(jié)能。這是因為與常規(guī)計算機硬件相比，電信號的傳播距離要短得多。堆疊多層電路是很自然的步驟，因為訓練算法通常需要許多操作同時并行進行。

“對于這些應用，每一層的輸出通常連接到下一層的輸入。我們的體系結(jié)構(gòu)極大地減少了互連布線的需求，”第一作者吳繼宣說。

通過實施二值化神經(jīng)網(wǎng)絡(luò)系統(tǒng)，該團隊能夠使設(shè)備更加節(jié)能。不允許參數(shù)為任何數(shù)字，而是將其限制為+1或-1。這既大大簡化了使用的硬件，又壓縮了必須存儲的數(shù)據(jù)量。他們使用AI中的一項常見任務對設(shè)備進行了測試，解釋了手寫數(shù)字數(shù)據(jù)庫?？茖W家表明，增加每個電路層的大小可以提高算法的準確性，最大可達到90%左右。

高級作者Masaharu Kobayashi解釋說：“為了在AI越來越融入日常生活中時保持較低的能耗，我們需要更專業(yè)的硬件來有效地處理這些任務?！?/p>

這項工作是邁向“物聯(lián)網(wǎng)”的重要一步，在該過程中，許多小型的具有AI功能的設(shè)備作為集成的“智能家居”的一部分進行通信。

這項研究已在2020年VLSI技術(shù)研討會上發(fā)表。