Нейроморфные чипы: немного истории, существующие системы и возможности технологии / Хабр

немного истории, существующие системы и возможности технологии / Хабр

Человека всегда привлекала мысль о возможности (пусть и гипотетической) создать настоящий искусственный интеллект. Ну а поскольку единственный разум, о котором нам известно — человеческий, то вполне логично, что ИИ стали рассматривать как разум, базирующийся на технологиях, повторяющих процессы, происходящие в органическом мозге.

Нейроморфные чипы существуют, и они моделируют работу мозга. Есть элементы, которые определенным образом копируют работу нейронов и их органов — дендритов и аксонов. Ну а связи между этими элементами возникают за счет специализированных аналогов синапсов. О том, насколько перспективна эта технология и что уже создано  — поговорим под катом.

Немного истории

С появлением более-менее производительных ЭВМ ученые стали пытаться создавать системы, которые моделируют строение мозга человека. Первые попытки относятся к середине XX века — именно тогда Тэд Хофф с Бернардом Уидроу разработали аналог одноуровневой нейросети на основе мемисторов. Это электрохимические резисторы с функцией памяти. В большинстве источников указано, что именно этот проект является началом развития технологии нейроморфной вычислительной техники.

20 лет спустя, в 80-х годах прошлого века Карвер Мид стал использовать транзисторы в качестве аналоговых элементов. Изучение возможностей этого метода продолжалось несколько лет, а в 90-х уже целая команда под руководством этого ученого рассказала об искусственном синапсе, который способен хранить данные продолжительное время, плюс нейроморфный процессор. Его основой стали транзисторы с плавающим затвором.

В США также объявили начало программы по изучению мозга человека, так что правительство и коммерческие компании стали вкладывать деньги в собственные программы такого типа.

Кроме того, параллельным путем пошло развитие нейросетей, которые стали использовать для решения самых разных задач — от оценки состояния здоровья пациента до проверки качества огурцов на конвейере. Но нейросети нельзя назвать аналогом мозга человека, работают они по-другому, да и в подавляющем большинстве это однозадачные системы. Для решения комплексных задач требуется использовать несколько специализированных нейросетей. Но как бы там ни было, это слабая форма ИИ, которая, несмотря на успехи в шахматах, го, StarCraft и других играх, вряд ли когда-либо станет полноценным интеллектом, перейдя в сильную форму.

Правда, некоторые компании, включая Intel Labs, используют алгоритмы, которые относительно точно имитируют работу биологического мозга. Но это все же не то, что может хотя бы с допущениями считаться чем-то близким к сильной форме ИИ.

Нейроморфные технологии тоже активно развиваются. По данным аналитиков, в США объем рынка увеличится до  $5 млрд в 2029 году и $21,3 млрд к 2034 году.

А в чем отличие нейромфорфных чипов от обычных?

Все дело в их архитектуре. Дело в том, что обычная вычислительная техника базируется на архитектуре фон Неймана с разделенным процессором и памятью. Как говорится — мухи отдельно, котлеты — отдельно. А вот мозг человека, по всей видимости, представляет собой единое целое, эта система способна одновременно и хранить, и обрабатывать данные.

Нейромфорфные чипы, понятно, создаются на основе уже существующих технологий, речь о полупроводниковых системах, а не о каких-то наполовину биологических устройствах. Нет, чипы базируются на основе обычных транзисторов, но архитектура в этом случае иная. В нейроморфных чипах роль нейронов играют транзисторы. Есть здесь и аналог аксонов, сигналы с которых могут поступать на вход других элементов, изменяя их состояние.

В подавляющем большинстве случаев «искусственные нейроны» объединяются между собой по модели спайковых) сетей (Spiking neural network, SNN). В ходе работы SNN передают сигналы аналогично тому, как они передаются в мозге. При этом реализуются процессы обучения с перераспределением синапсов между нейронами в ответ на стимулы.

SNN оперативно обучаются разным задачам, включая распознавание запахов, детекция речи или идентификация изображений. Все это можно объединить в единый комплекс, и работа будет вестись одновременно. Стоит отметить, что пока что нейромфорные чипы моделируют отдельные функции мозга, создать сколь-нибудь сложную систему, которая копировала бы значительную часть мозга, не говоря уже о всем органе в целом, пока невозможно.

Примеры проектов

Источник: Intel Lab

В 2008 году корпорация IBM и DARPA занялись реализацией программы SyNAPSE, в рамках которой разрабатывались компьютерные архитектуры, отличные от фон Неймановских. IBM создала ядро с 256 нейронами и 256 синапсами. Спустя несколько лет был представлен чип TrueNorth с 4096 ядер (это свыше 1 млн нейронов). Чип стали использовать в распознавании жестов и речи.

Еще один наглядный пример — самообучающийся нейроморфный процессор Loihi от Intel Labs. Первый чип получил 128 ядер по 1204 нейрона в каждом из них. В итоге получилась система  со 130 тыс. нейронов и примерно 130 млн синапсов. Размер чипа составляет всего 60 мм 2. При таких размерах он весьма эффективен — например, для обучения обнаружения определенных запахов этому чипу нужно обучиться на данных, объем которых в 3 тыс. раз меньше, чем в случае обучения обычной нейросети. А энергии требуется примерно в 1000 раз меньше.

В 2021 году представлено второе поколение чипа, размер которого уменьшился в два раза, а число искусственных нейронов — наоборот, увеличилось в 8 раз. Чип работает на порядок быстрее, чем его предтеча. Разработано и специализированное ПО, среда программирования Lava с открытым исходным кодом.

Процессоры, о которых идет речь, используются не самостоятельно, а в рамках специализированных систем. Одна из них — USB-система Intel Kapoho Bay с двумя процессорами Loihi содержит 262 тыс. нейронов. По словам разработчиков, этого вполне достаточно для распознавания жестов, чтения шрифта Брайля, детекции запахов и т.п. Используя такую систему, ученые из Intel Labs и Корнельского университета разработали аналог системы обоняния человека. Так, им удалось научить систему распознавать признаки наличия в воздухе паров ацетона, аммиака и 8 других вредных веществ.

Еще одну систему разработали ученые из Национального университета Сингапура (NUS). Они создали роботизированную руку с искусственной кожей и датчиками зрения, оснастив ее нейроморфным процессором, о котором шла речь выше. Рука в итоге стала определять прикосновение в 1000 раз быстрее нервной системы человека, плюс ее обучили определять форму, текстуру и твердость объектов, причем быстрее, чем человек.

Работают над подобными системами и независимые научные организации. Так, команда Манчестерского вуза создала архитектуру SpiNNaker с 1 млн ядер, способных эмулировать работу свыше 100 млн нейронов.

А когда можно будет использовать нейроморфные чипы?

К сожалению, этого пока сказать нельзя. Дело в том, что нейроморфные технологии пока что тестируются в лабораториях. Сколь-нибудь серьезных комплексных проектов на их основе нет. Отдельные лабораторные проекты — да, но не коммерческие, находящиеся в общем доступе.

Тем не менее, нейроморфные чипы являются весьма перспективным направлением разработок в области вычислительной техники. Возможно, кому-то из исследователей удастся совершить прорыв, после чего начнется реализация серьезных проектов. В любом случае, нейроморфные технологии являются дополнением к существующим, они не могут быть заменой или альтернативой.

иной взгляд на машинное обучение / Хабр

Современные компьютеры, которыми пользуется большинство из нас, созданы на основании так называемой архитектуры фон Неймана. Этот метод хорошо подходит для решения уравнений и запуска различных алгоритмов, но не для обработки изображений или звука. И хотя в 2012 году Google научили искусственный интеллект различать кошек на видео, для этого компании потребовалось 16 тыс. процессоров.

Поэтому человечество работает над изобретением новых архитектур, которые бы позволили машинам более эффективно взаимодействовать с окружением. Одним из таких решений стали нейроморфные чипы, о которых мы хотим рассказать в сегодняшнем материале.

/ Flickr / The Preiser Project / CC

Нейроморфные чипы моделируют то, как наш мозг обрабатывает информацию — как миллиарды нейронов и триллионы синапсов реагируют на сигналы от органов чувств. Связи между нейронами также постоянно меняются, реагируя на изображения, звуки и др. Этот процесс мы с вами называем обучением. Идея состоит в том, чтобы заставить чипы делать то же самое.

Даже если нейроморфные чипы будут уступать в «производительности» реальному мозгу, они все равно обгонят современные компьютеры в вопросах обучения и обработки сенсорной информации.

Когнитивные разработки


Сама идея нейроморфных чипов достаточно стара. Профессор Калифорнийского университета Карвер Мид (Carver Mead) ввел этот термин в 1990 году, отметив, что аналоговые чипы, в отличие от бинарных, смогут имитировать мозговую активность, но воплотить идею в жизнь и создать такой чип ему не удалось. Однако сегодня сразу несколько компаний активно занимаются воплощением этой архитектуры в кремнии.

Сравнение обычной архитектуры с нейроморфной (Источник)

В 2008 году по заказу организации DARPA компания IBM Research начала работу над нейроморфным чипом. И через 6 лет, в 2014 году, ученые представили публике систему TrueNorth, состоящую из 1 млн цифровых нейронов и 256 млн синапсов, заключенных в 4096 синапсных ядер.

TrueNorth — это модульная система, которая состоит из нескольких чипов, представляющих собой нейроны мозга. Соединяя такие чипы между собой, ученые формируют искусственную нейронную сеть. По словам представителей компании, TrueNorth потребляет меньше электроэнергии, чем его «классические» собратья.

Нейрочип с 5,4 млрд транзисторов потребляет 70 мВт энергии, в то время как процессор Intel, в котором транзисторов почти в 4 раза меньше, требует порядка 140 Вт. В планах ученых еще сильнее снизить энергопотребление и размеры последующих версий TrueNorth, чтобы они могли найти применение в мобильных устройствах или часах.

В IBM рассчитывают, что TrueNorth станет новой вехой в развитии компьютерных технологий и будет использоваться высокопроизводительными системами, например в дата-центрах.

Интересно, что для работы с нейромфорными чипами компанией был создан новый язык программирования. В основе языка лежит так называемая концепция корлетов (Corelet) — объектно-ориентированных абстракций нейросинаптических ядер. В программной архитектуре каждый корлет имеет 256 вводов (аксонов) и 256 выводов (нейронов), которые связывают все ядра друг с другом.

«Взаимодействие процессора и памяти в традиционной архитектуре происходит последовательно, — говорит ведущий исследователь проекта SyNAPSE Дхармендра С. Модха. — Наша архитектура — это комплект кубиков LEGO. Каждый корлет имеет различные функции, и вы просто комбинируете их». Например, такая система может использоваться для поиска людей в толпе. Один корлет может искать определенную форму носа, другой — цвет одежды и так далее.

/ Flickr / IBM Research / CC

Но IBM не единственная компания, которая занимается подобными разработками. Среди потенциальных участников рынка числятся такие гиганты, как Google и, что немаловажно, Qualcomm.

Не так давно Qualcomm провели в своей штаб-квартире в Сан-Диего презентацию возможностей нового нейроморфного чипа. Небольшой робот размером с мопса под названием Pioneer подъехал к детской игрушке, а затем начал толкать её в сторону трех невысоких колонн.

Ведущий инженер Qualcomm Иль У Чанг (Ilwoo Chang) указал обеими руками, куда следует разместить фигурку, и Pioneer, распознав жест с помощью встроенной камеры, выполнил задачу. После чего он отправился за другой игрушкой и привез её к той же самой колонне безо всяких подсказок.

Робот оказался способен выполнять задачи, для которых, обычно, нужны мощные специализированные компьютеры. Pioneer уже умеет распознавать новые объекты и расставлять их по сходству с другими предметами, реагируя на команды-жесты.

В компании Qualcomm отмечают, что нейроморфный чип, который управляет роботом, является цифровым, а не аналоговым, однако по-прежнему эмулирует различные аспекты поведения человеческого мозга. Создатели заявили, что их процессор, размещенный в мобильных устройствах, компьютерах и роботах позволит машинам самообучаться.

Проект получил название Zeroth и, по словам представителей компании, первые подобные чипы должны были появиться в продаже в 2014 году, но этого не произошло. Однако в 2015 году компания все же представила одноименную вычислительную платформу.

Новое машинное обучение, но не сегодня


Как было отмечено выше, подобные чипы позволят нашим привычным устройствам самообучаться. Например, медицинские гаджеты научатся распознавать жизненно важные показатели, чтобы превентивно влиять на состояние пациентов. Смартфоны же научатся предсказывать желания своих владельцев.

Однако пока еще остаются определенные препятствия, которые предстоит преодолеть. Все еще не решена проблема компоновки нейронов — сложно сопоставить размеры «мозга» с его возможностями. Трудности возникают на всех этапах — сборка, доставка мощности, теплоотвод, управление топологией.

Еще один блок трудностей связывают с абстрактной натурой нейровычислений. Насколько близкую копию нашего мозга необходимо создать, чтобы решить желаемые задачи? И как такие чипы будут взаимодействовать с классической вычислительной техникой?

Практически все проекты сейчас проходят тестирование, и до их использования в смартфонах и часах пока еще далеко. И как ученые справятся с трудностями, покажет только время.

P.S. Дополнительное чтение (новые материалы в нашем блоге)

  • «Как айсберг в океане»: Технологии охлаждения дата-центров

  • Тренды облачной безопасности

  • Какой может быть работа ИТ-специалиста будущего

  • Как сейчас используют нейросети: от научных проектов до развлекательных сервисов

Что такое нейроморфные вычисления?

По

  • Бен Луткевич,
    Технический писатель

Нейроморфные вычисления — это метод компьютерной инженерии, при котором элементы компьютера моделируются по образцу систем человеческого мозга и нервной системы. Этот термин относится к разработке как аппаратных, так и программных вычислительных элементов.

Инженеры-нейроморфы опираются на знания нескольких дисциплин, включая информатику, биологию, математику, электронную инженерию и физику, для создания искусственных нейронных систем, вдохновленных биологическими структурами.

Есть две всеобъемлющие цели нейроморфных вычислений (иногда называемых нейроморфной инженерией). Во-первых, создать устройство, которое может обучаться, сохранять информацию и даже делать логические выводы так же, как это делает человеческий мозг, — машину познания. Вторая цель — получить новую информацию — и, возможно, доказать рациональную теорию — о том, как работает человеческий мозг.

Как работают нейроморфные вычисления?

Традиционные вычисления с использованием нейронных сетей и машинного обучения хорошо подходят для существующих алгоритмов. Обычно он ориентирован на обеспечение либо быстрых вычислений , либо с низким энергопотреблением, часто достигая одного за счет другого.

С другой стороны, нейроморфные системы

обеспечивают как быстрое вычисление , так и низкое энергопотребление. Они также:

  • массивно-параллельные, что означает, что они могут выполнять множество задач одновременно;
  • управляемые событиями, то есть они реагируют на события, основанные на переменных условиях окружающей среды, и только те части компьютера, которые используются, требуют питания;
  • обладают высокой приспособляемостью и пластичностью, что означает, что они очень гибкие;
  • способен обобщать; и
  • надежный и отказоустойчивый, что означает, что он все еще может давать результаты даже после отказа компонентов.

Высокая энергоэффективность, отказоустойчивость и мощные возможности решения проблем — все это также черты, которыми обладает мозг. Например, мозг потребляет в среднем около 20 Вт энергии, что примерно вдвое меньше, чем у стандартного ноутбука. Он также чрезвычайно отказоустойчив — информация хранится избыточно (в нескольких местах), и даже относительно серьезные сбои в определенных областях мозга не мешают общей работе. Он также может решать новые проблемы и очень быстро адаптироваться к новым условиям.

Нейроморфные вычисления достигают этой мозговой функции и эффективности путем создания искусственных нейронных систем, которые реализуют «нейроны» (фактические узлы, обрабатывающие информацию) и «синапсы» (соединения между этими узлами) для передачи электрических сигналов с использованием аналоговых схем. Это позволяет им модулировать количество электричества, протекающего между этими узлами, чтобы имитировать различную степень силы, которую имеют естественные сигналы мозга.

Система нейронов и синапсов, которые передают эти электрические импульсы, известна как импульсная нейронная сеть (SNN), которая может измерять эти дискретные изменения аналогового сигнала и отсутствует в традиционных нейронных сетях, использующих цифровые сигналы с меньшими нюансами.

Нейроморфные системы также представляют новую архитектуру чипа, которая объединяет память и обработку на каждом отдельном нейроне вместо того, чтобы иметь отдельные выделенные области для каждого.

Традиционная архитектура компьютерного чипа (известная как архитектура фон Неймана) обычно имеет отдельный блок памяти (MU), центральный процессор (CPU) и пути данных. Это означает, что информация должна многократно перемещаться между этими различными компонентами по мере того, как компьютер выполняет заданную задачу. Это создает узкое место для экономии времени и энергии, известное как узкое место фон Неймана.

За счет совместного размещения памяти нейроморфный чип может обрабатывать информацию гораздо более эффективно и позволяет чипам быть одновременно очень мощными и очень эффективными. Каждый отдельный нейрон может выполнять либо обработку, либо память, в зависимости от поставленной задачи.

Проблемы нейроморфных вычислений

Нейроморфные вычисления — это зарождающаяся область технологий, которая в основном все еще находится в стадии исследования. Лишь недавно были предприняты попытки практического использования нейроморфных компьютерных архитектур. Самые последние разработки в области нейроморфного оборудования могут повысить эффективность существующих нейронных сетей, которые в настоящее время работают на несколько неэффективных графических процессорах (GPU). Однако до функционального чипа человеческого мозга еще далеко.

Одна из основных проблем, стоящих перед областью нейрокомпьютеров, которую выдвинула эксперт Кэти Шуман в интервью онлайн-журналу Ubiquity, заключается в том, что в ней доминируют разработчики аппаратного обеспечения, нейробиологи и исследователи машинного обучения. Его не хватает разработчикам программного обеспечения и инженерам. Для запуска нейроморфных систем в производство требуется изменение мышления. Разработчики, исследователи и инженеры должны быть готовы выйти за рамки текущего способа мышления об архитектуре компьютера и начать мыслить вне традиционной системы фон Неймана.

Со временем, чтобы популяризировать нейроморфные вычисления, разработчикам программного обеспечения потребуется создать набор API, моделей программирования и языков, чтобы сделать нейроморфные компьютеры доступными для неспециалистов.

Исследователям потребуется разработать новые способы измерения и оценки производительности этих новых архитектур, чтобы их можно было улучшить. Им также необходимо будет объединить исследования с другими новыми областями, такими как вероятностные вычисления, целью которых является помощь ИИ в управлении неопределенностью и шумом.

Несмотря на эти проблемы, в эту область вложены значительные средства. Несмотря на то, что есть скептики, многие эксперты считают, что нейроморфные вычисления могут произвести революцию в алгоритмической мощности, эффективности и общих возможностях ИИ, а также раскрыть новые идеи в области познания.

Варианты использования

Эксперты предсказывают, что, когда нейроморфные компьютеры действительно станут самостоятельными, они будут хорошо работать для запуска алгоритмов ИИ на периферии, а не в облаке, из-за их меньшего размера и низкого энергопотребления. Как и люди, они будут способны адаптироваться к своей среде, запоминать то, что необходимо, и получать доступ к внешнему источнику (в данном случае к облаку) для получения дополнительной информации, когда это необходимо.

Другие потенциальные применения этой технологии как в потребительских, так и в корпоративных технологиях включают:

  • беспилотные автомобили
  • умные домашние устройства
  • понимание естественного языка
  • анализ данных
  • оптимизация процесса
  • обработка изображений в реальном времени для использования в полицейских камерах, например

Хотя эти практические приложения остаются предсказаниями, существуют реальные примеры нейроморфных систем, которые существуют сегодня, хотя в основном для исследовательских целей. К ним относятся:

  • Чип Tianjic. Используется для питания беспилотного велосипеда, способного следовать за человеком, преодолевать препятствия и реагировать на голосовые команды. Он имел 40 000 нейронов, 10 миллионов синапсов и работал в 160 раз лучше и в 120 000 раз эффективнее, чем сопоставимый графический процессор.
  • Чипы Intel Loihi. Имеют 130 миллионов синапсов и 131 000 нейронов на чип. Он оптимизирован для нейронных сетей.
  • Компьютеры Intel Pohoiki Beach. содержит 8,3 миллиона нейронов. Он обеспечивает в 1000 раз более высокую производительность и в 10 000 раз более высокую эффективность, чем сопоставимые графические процессоры.
  • Чип IBM TrueNorth. Имеет более 1 миллиона нейронов и более 268 миллионов синапсов. Он в 10 000 раз более энергоэффективен, чем обычные микропроцессоры, и потребляет энергию только тогда, когда это необходимо.
  • Массивно-параллельный многоядерный суперкомпьютер, разработанный в Манчестерском университете. В настоящее время он используется для проекта «Человеческий мозг».
  • BrainScaleS Гейдельбергского университета. Использует нейроморфные гибридные системы, сочетающие биологические эксперименты с вычислительным анализом для изучения обработки информации мозгом.

Примеры от IBM и Intel подходят к нейроморфным вычислениям с точки зрения вычислений, уделяя особое внимание повышению эффективности и обработки. В примерах из университетов используется подход, основанный на нейробиологии, с использованием нейроморфных компьютеров в качестве средства изучения человеческого мозга. Оба подхода важны для области нейроморфных вычислений, поскольку для развития ИИ необходимы оба типа знаний.

Нейроморфные вычисления и общий искусственный интеллект (AGI)

Термин «искусственный общий интеллект» (AGI) относится к ИИ, который демонстрирует интеллект, равный человеческому. Можно сказать, что это святой Грааль всего ИИ. Машины еще не достигли и, возможно, никогда не достигнут такого уровня интеллекта. Тем не менее, нейроморфные вычисления предлагают новые возможности для продвижения к ним.

Например, проект «Человеческий мозг», в рамках которого используется нейроморфный суперкомпьютер SpiNNaker, направлен на создание функциональной симуляции человеческого мозга и является одним из многих активных исследовательских проектов, заинтересованных в ОИИ.

Критерии определения того, достигла ли машина AGI, обсуждаются, но некоторые из них обычно включаются в обсуждение:

  • Машина может рассуждать и делать суждения в условиях неопределенности.
  • Машина умеет планировать.
  • Машина может обучаться.
  • Машина может общаться на естественном языке.
  • Машина может представлять знания, включая знания здравого смысла.
  • Машина может объединить эти навыки для достижения общей цели.

Иногда включаются способность к воображению, субъективному опыту и самосознанию. Другими предлагаемыми методами подтверждения AGI являются знаменитый тест Тьюринга и тест студента колледжа роботов, в которых машина записывается в классы и получает степень, как человек.

Если машина когда-либо достигла человеческого разума, также ведутся споры о том, как с ней следует обращаться этично и юридически. Некоторые утверждают, что с точки зрения закона к нему следует относиться как к нечеловеческому животному. Эти аргументы имели место в течение десятилетий отчасти потому, что сознание в целом до сих пор полностью не изучено.

История нейроморфных вычислений

Предшественник искусственных нейронов, используемых сегодня в нейронных сетях, восходит к 1958 году, когда был изобретен персептрон. Персептрон был грубой попыткой имитировать элементы биологических нейронных сетей, используя ограниченные знания о внутренней работе мозга, доступные в то время. Персептрон задумывался как изготовленное на заказ механическое оборудование, используемое для задач распознавания изображений ВМС США. Технология получила широкое распространение, прежде чем стало понятно, что технология не может выполнять необходимые функции.

Нейроморфные вычисления были впервые предложены профессором Калифорнийского технологического института Карвером Мидом в 1980-х годах. Мид описал первую аналоговую кремниевую сетчатку, которая предвещала новый тип физических вычислений, вдохновленный нейронной парадигмой.

Мид также цитируется в публикации о нейронных вычислениях в аналоговых СБИС, где он сказал, что, по его мнению, нервная система человека не может сделать ничего, чего не могли бы сделать компьютеры, если бы было полное понимание того, как работает нервная система.

Однако недавние инвестиции и ажиотаж вокруг нейроморфных исследований можно частично объяснить широким и растущим использованием ИИ, машинного обучения и нейронных сетей в потребительских и корпоративных технологиях. Это также может быть в значительной степени связано с тем, что многие ИТ-эксперты воспринимают конец закона Мура. Закон Мура гласит, что количество микрокомпонентов, которые можно разместить на чипе, будет удваиваться каждый год, а стоимость останется неизменной.

Поскольку нейроморфные вычисления обещают обойти традиционные архитектуры и достичь совершенно новых уровней эффективности, они привлекли большое внимание крупных производителей микросхем, таких как IBM и Intel.

Мид, который обобщил идеи Гордона Мура и придумал закон Мура, также цитируется в 2013 году, когда он сказал: «Переход на многоядерные чипы помог, но теперь у нас до восьми ядер, и не похоже, что мы можем пойти дальше. Людям приходится врезаться в стену, прежде чем они обратят внимание». Это убеждение подкрепляет тот факт, что популярный дискурс и ажиотаж вокруг ИИ проходят через приливы и отливы, при этом затишье в интересе часто называют зимой ИИ, а периоды повышенного интереса часто наступают в результате непосредственной проблемы, которую необходимо решить в этом контексте. случае конец закона Мура.

Последнее обновление: февраль 2020 г.


Продолжить чтение О нейроморфных вычислениях

  • Голосовые помощники, искусственный интеллект и облако: иллюзия производительности и конфиденциальности
  • Accenture прогнозирует постцифровую эпоху, в которой доверие будет определяющим фактором
  • ISACA: встраивание безопасности в аппаратное обеспечение искусственного интеллекта
  • Соединение ИИ и Интернета вещей с платформами на основе блокчейна
  • Что такое нейроморфная инженерия и почему она вызвала аналоговую революцию

Копайте глубже в технологиях ИИ

  • сверточная нейронная сеть (CNN)

    Автор: Рахул Авати

  • CEA-Leti и Силиконовые долины Гренобля, Франция

    Автор: Пэт Бранс

  • Университет Гётеборга совершает прорыв в области энергоэффективных компьютеров
  • Сила двух: квантовые или нейроморфные вычисления?

    Автор: Клифф Саран

ПоискБизнесАналитика


  • Целенаправленная и стабильная Logi Analytics как часть программного обеспечения Insightware

    Бывший независимый специалист по встроенным бизнес-аналитикам извлекает выгоду из агрессивной стратегии приобретения своей новой материнской компании, поскольку . ..


  • Запуск Business Analytics Enterprise объединяет инструменты IBM BI

    Технический гигант объединил ранее разрозненные возможности на единой платформе и представил новый центр, где клиенты могут просматривать …


  • Qlik запускает новую облачную платформу для интеграции данных

    Новая интеграционная платформа как услуга объединяет возможности подготовки и каталогизации данных в одном месте, позволяя организациям…

ПоискCIO


  • IRA инвестирует в будущее технологий экологически чистой энергии, работу

    Закон о снижении инфляции инвестирует не только в существующие технологии экологически чистой энергии, такие как ветер и солнечная энергия, но и в будущие инновации и …


  • Выборы не ускорят антимонопольную реформу и усилия по обеспечению конфиденциальности данных

    Результаты промежуточных выборов вряд ли сразу повлияют на ход горячо обсуждаемых антимонопольных законов и законопроектов о реформе Раздела 230 или. ..


  • Плюсы и минусы Metaverse: основные преимущества и проблемы

    Реалистичный опыт, равный доступ, более эффективное сотрудничество и новые возможности для бизнеса, но есть потенциал для повышения …

Управление данными поиска


  • Движок данных Speedb делает хранилище ключевых значений открытым исходным кодом

    Стартап стремится предоставить конкурентоспособную альтернативу RocksDB, создавая свою технологию обработки данных и сообщество разработчиков…


  • Neo4j 5 ускоряет запросы к графовой базе данных

    Язык шифровальных запросов значительно улучшился в обновлении базы данных Neo4j 5, что позволяет пользователям выполнять более сложные запросы быстрее, чем …


  • Облако данных Snowflake добавляет Python, мультиоблачную совместную работу

    Поставщик облачных данных выпустил предварительные обновления для своей платформы, чтобы ускорить запросы данных, улучшить поддержку многооблачных операций. ..

ПоискERP


  • Активные и пассивные RFID-метки: что выбрать

    Как у активных, так и у пассивных RFID-меток есть свои преимущества и недостатки. Организация должна узнать, что они из себя представляют и что они …


  • Почему RFID для управления цепочками поставок по-прежнему актуален

    RFID — сравнительно старая технология, но она все еще актуальна для управления цепочками поставок. Узнайте о некоторых потенциальных возможностях использования в логистике…


  • В последней презентации Oracle ERP партнерство с облачными технологиями признано необходимым

    Редакторы TechTarget обсуждают новости корпоративных приложений с Oracle CloudWorld 2022 и упор Oracle на партнерские …

Нейроморфный чип Intel получает серьезное обновление

Итак, куда мы обратимся для будущего масштабирования? Мы продолжим смотреть в третье измерение. Мы создали экспериментальные устройства, которые накладываются друг на друга, обеспечивая логику, которая на 30–50 процентов меньше. Важно отметить, что верхнее и нижнее устройства относятся к двум взаимодополняющим типам, NMOS и PMOS, которые являются основой всех логических схем последних нескольких десятилетий. Мы считаем, что этот трехмерный комплементарный металл-оксидный полупроводник (CMOS) или CFET (комплементарный полевой транзистор) станет ключом к распространению закона Мура на следующее десятилетие.

Эволюция транзистора

Непрерывные инновации являются важной основой закона Мура , но каждое улучшение требует компромиссов. Чтобы понять эти компромиссы и то, как они неизбежно ведут нас к CMOS с трехмерным стеком, вам нужно немного узнать о работе транзисторов.

Каждый полевой транзистор металл-оксид-полупроводник, или МОП-транзистор, имеет одинаковый набор основных частей: блок затвора, область канала, исток и сток. Исток и сток химически легированы, чтобы сделать их либо богатыми мобильными электронами (
n -типа) или с их недостатком ( p -типа). Канальная область имеет противоположное легирование истока и стока.

В планарной версии, использовавшейся в усовершенствованных микропроцессорах до 2011 года, стопка затворов MOSFET расположена чуть выше области канала и предназначена для проецирования электрического поля в область канала. Приложение достаточно большого напряжения к затвору (относительно истока) создает слой подвижных носителей заряда в области канала, который позволяет току течь между истоком и стоком.

По мере того, как мы уменьшали классические планарные транзисторы, основное внимание уделялось тому, что физики называют короткоканальными эффектами. По сути, расстояние между истоком и стоком стало настолько малым, что ток стал просачиваться через канал, когда этого не следовало делать, потому что электрод затвора изо всех сил пытался истощить канал носителей заряда. Чтобы решить эту проблему, промышленность перешла на совершенно другую архитектуру транзисторов, называемую
ФинФЕТ. Он обернул ворота вокруг канала с трех сторон, чтобы обеспечить лучший электростатический контроль.

Transistor Evolution

В 2011 году Intel представила свои FinFET-транзисторы на 22-нанометровом узле с процессором Core третьего поколения, и с тех пор архитектура устройства является рабочей лошадкой закона Мура. С FinFET мы можем работать при более низком напряжении и при этом иметь меньшую утечку, снижая энергопотребление примерно на 50 процентов при том же уровне производительности, что и планарная архитектура предыдущего поколения. FinFET также переключаются быстрее, повышая производительность на 37 процентов. А поскольку проводимость возникает на обеих вертикальных сторонах «ребра», устройство может пропускать больший ток через заданный участок кремния, чем плоское устройство, которое проводит только по одной поверхности.

Однако мы кое-что потеряли при переходе на FinFET. В планарных устройствах ширина транзистора определялась литографией, поэтому это очень гибкий параметр. Но в FinFET ширина транзистора представлена ​​в виде дискретных приращений — добавления одного плавника за раз — характеристика, которую часто называют квантованием плавников. Каким бы гибким ни был FinFET, квантование ребер остается существенным конструктивным ограничением. Правила проектирования вокруг него и желание добавить больше ребер для повышения производительности увеличивают общую площадь логических ячеек и усложняют стек межсоединений, которые превращают отдельные транзисторы в полные логические схемы. Это также увеличивает емкость транзистора, тем самым снижая его скорость переключения. Таким образом, хотя FinFET хорошо послужил нам рабочей лошадкой отрасли, необходим новый, более совершенный подход. И именно этот подход привел нас к 3D-транзисторам, которые мы вскоре представим.

В ленточном полевом транзисторе затвор наматывается вокруг области канала транзистора для улучшения контроля над носителями заряда. Новая структура также обеспечивает более высокую производительность и более точную оптимизацию. Эмили Купер

Это усовершенствование, RibbonFET, является нашей первой новой архитектурой транзисторов с момента дебюта FinFET 11 лет назад. В нем затвор полностью окружает канал, обеспечивая еще более жесткий контроль над носителями заряда внутри каналов, которые теперь образованы лентами кремния нанометрового размера. С помощью этих нанолент (также называемых
нанолистов), мы снова можем изменять ширину транзистора по мере необходимости, используя литографию.

Удалив ограничение квантования, мы можем создать ширину подходящего размера для приложения. Это позволяет нам сбалансировать мощность, производительность и стоимость. Более того, когда ленты уложены друг на друга и работают параллельно, устройство может потреблять больше тока, повышая производительность без увеличения площади устройства.

Мы рассматриваем RibbonFET как лучший вариант для более высокой производительности при разумной мощности, и мы представим их в 2024 году вместе с другими инновациями, такими как PowerVia, наша версия
подача питания на задней стороне с использованием процесса изготовления Intel 20A.

Stacked CMOS

Одна общая черта планарных, FinFET и ленточных транзисторов заключается в том, что все они используют технологию CMOS, которая, как уже упоминалось, состоит из n -типа (NMOS) и p -типа ( PMOS) транзисторы. Логика КМОП стала основной в 1980-х годах, потому что она потребляет значительно меньше тока, чем альтернативные технологии, особенно схемы только NMOS. Меньший ток также привел к более высоким рабочим частотам и более высокой плотности транзисторов.

На сегодняшний день во всех КМОП-технологиях стандартная пара транзисторов NMOS и PMOS размещается рядом друг с другом. Но в
На конференции IEEE International Electron Devices Meeting (IEDM) в 2019 году мы представили концепцию трехмерного многослойного транзистора, в котором NMOS-транзистор размещается поверх PMOS-транзистора. В следующем году, на выставке IEDM 2020, мы представили проект первой логической схемы с использованием этой трехмерной техники — инвертора. В сочетании с соответствующими межсоединениями подход CMOS с 3D-стеками эффективно сокращает площадь инвертора вдвое, удваивая плотность площади и еще больше расширяя пределы закона Мура.

..»> CMOS с трехмерным стеком размещает PMOS-устройство поверх NMOS-устройства на той же площади, что и один RibbonFET. В затворах NMOS и PMOS используются разные металлы. Эмили Купер

Использование потенциальных преимуществ 3D-стекинга означает решение ряда проблем интеграции процессов, некоторые из которых расширят границы производства КМОП.

Мы построили трехмерный КМОП-инвертор, используя так называемый процесс самовыравнивания, при котором оба транзистора изготавливаются на одном производственном этапе. Это означает построение обоих
9Истоки и стоки типа 0029 n и p путем эпитаксии — осаждения кристаллов — и добавления различных металлических затворов для двух транзисторов. Комбинируя процессы исток-сток и двойной металлический затвор, мы можем создавать различные проводящие типы кремниевых нанолент (типа p и n типа ) для составления пар КМОП-транзисторов. Это также позволяет нам регулировать пороговое напряжение устройства — напряжение, при котором транзистор начинает переключаться — отдельно для верхней и нижней нанолент.

Как мы все это делаем? Изготовление самовыравнивающихся 3D CMOS начинается с кремниевой пластины. На эту пластину мы наносим повторяющиеся слои кремния и кремния-германия, образуя структуру, называемую сверхрешеткой. Затем мы используем литографическое моделирование, чтобы вырезать части сверхрешетки и оставить плавниковую структуру. Кристалл сверхрешетки обеспечивает прочную опорную структуру для того, что появится позже.

Затем мы размещаем блок «фиктивного» поликристаллического кремния поверх той части сверхрешетки, где будут находиться затворы устройства, защищая их от следующего шага в процедуре. На этом этапе, называемом вертикальным процессом двойного истока/стока, выращивается кремний, легированный фосфором, на обоих концах верхних нанолент (будущее устройство NMOS), а также селективно выращивается кремний-германий, легированный бором, на нижних нанолентах (будущее устройство PMOS). . После этого мы наносим диэлектрик вокруг истоков и стоков, чтобы электрически изолировать их друг от друга. Последний шаг требует, чтобы мы затем полировали пластину до идеальной плоскостности.

Вид с ребра трехмерного сложенного инвертора показывает, насколько сложны его соединения. Emily Cooper

Благодаря размещению NMOS поверх PMOS-транзисторов трехмерное стекирование эффективно удваивает плотность CMOS-транзисторов на квадратный миллиметр, хотя реальная плотность зависит от сложности используемой логической ячейки. Ячейки инвертора показаны сверху с указанием межсоединений истока и стока [красным], межсоединений затвора [синим] и вертикальных соединений [зеленым].

Наконец, мы строим ворота. Во-первых, мы удаляем ложные ворота, которые мы поставили ранее, обнажая кремниевые наноленты. Затем мы вытравливаем только кремний-германий, освобождая стопку параллельных кремниевых нанолент, которые будут областями каналов транзисторов. Затем мы покрываем наноленты со всех сторон исчезающе тонким слоем изолятора с высокой диэлектрической проницаемостью. Каналы нанолент настолько малы и расположены таким образом, что мы не можем эффективно легировать их химическим путем, как в случае планарного транзистора. Вместо этого мы используем свойство металлических ворот, называемое работой выхода, для придания того же эффекта. Мы окружаем нижние наноленты одним металлом, чтобы
p -легированный канал и верхние с другим, чтобы сформировать n -легированный канал. Таким образом, стеки затворов закончены, и два транзистора готовы.

Этот процесс может показаться сложным, но он лучше, чем альтернатива — технология, называемая последовательной трехмерной CMOS. С помощью этого метода устройства NMOS и устройства PMOS строятся на отдельных пластинах, они соединяются, а слой PMOS переносится на пластину NMOS. Для сравнения, самовыравнивающийся 3D-процесс требует меньше производственных этапов и позволяет более жестко контролировать производственные затраты, что мы продемонстрировали в ходе исследования и сообщили на конференции IEDM 2019. .

Важно отметить, что метод самовыравнивания также позволяет избежать проблемы смещения, которое может возникнуть при склеивании двух пластин. Тем не менее, последовательное трехмерное наложение исследуется для облегчения интеграции кремния с некремниевыми материалами каналов, такими как германий и полупроводниковые материалы III-V. Эти подходы и материалы могут стать актуальными, поскольку мы стремимся тесно интегрировать оптоэлектронику и другие функции в один чип.

Создание всех необходимых подключений к CMOS с трехмерным стеком является сложной задачей. Силовые подключения должны быть выполнены снизу стека устройств. В этой конструкции устройство NMOS [вверху] и устройство PMOS [внизу] имеют отдельные контакты исток/сток, но оба устройства имеют общий затвор. Эмили Купер

Новый процесс самовыравнивания CMOS и CMOS с 3D-накоплением, которые он создает, хорошо работают и, по-видимому, имеют значительные возможности для дальнейшей миниатюризации. На этом раннем этапе это очень обнадеживает. Устройства с длиной затвора 75 нм продемонстрировали как низкую утечку, которая обеспечивается отличной масштабируемостью устройства, так и высокий ток в открытом состоянии. Еще один многообещающий признак: мы создали пластины, в которых наименьшее расстояние между двумя наборами сложенных устройств составляет всего
55 нм. Хотя достигнутые нами результаты производительности устройств сами по себе не являются рекордными, они хорошо сравнимы с отдельными устройствами управления без стеков, построенными на той же пластине с той же обработкой.

Параллельно с интеграцией процессов и экспериментальной работой мы проводим множество текущих теоретических, симуляционных и проектных исследований, направленных на то, чтобы дать представление о том, как лучше всего использовать 3D CMOS. Благодаря им мы нашли некоторые ключевые моменты в конструкции наших транзисторов. Примечательно, что теперь мы знаем, что нам необходимо оптимизировать расстояние по вертикали между NMOS и PMOS — если оно слишком короткое, это увеличит паразитную емкость, а если оно слишком длинное, увеличится сопротивление межсоединений между двумя устройствами. Любая крайность приводит к более медленным цепям, которые потребляют больше энергии.

Многие дизайнерские исследования, такие как одно, проведенное
Исследовательский центр TEL America, представленный на выставке IEDM 2021, сосредоточен на обеспечении всех необходимых межсоединений в ограниченном пространстве 3D CMOS без значительного увеличения площади логических ячеек, которые они составляют. Исследование TEL показало, что есть много возможностей для инноваций в поиске наилучших вариантов межсоединений. Это исследование также подчеркивает, что CMOS с трехмерным стеком должны иметь межсоединения как над, так и под устройствами. Эта схема, называемая скрытыми шинами питания, берет межсоединения, которые обеспечивают питанием логические ячейки, но не передают данные, и удаляет их на кремний под транзисторами. Таким образом, технология Intel PowerVIA, которая делает именно это и которую планируется представить в 2024 году, сыграет ключевую роль в превращении CMOS с трехмерным стеком в коммерческую реальность.