人工智能或許能解決一些科學和行業(yè)最棘手的挑戰(zhàn)，但要實現(xiàn)人工智能，需要新一代的計算機系統(tǒng)。IBM在博客中的一篇文章中指出，通過使用基于相變存儲器（Phase-Change Memory，簡稱PCM）的模擬芯片，機器學習可以加速一千倍。

相變存儲器基于硫化物玻璃材料，這種材料在施加合適的電流時會將其相從晶態(tài)變?yōu)榉蔷B(tài)并可恢復。每相具有不同的電阻水平，在相位改變之前是穩(wěn)定的。兩個電阻構成二進制的1或0。

PCM是非易失性的，訪問延遲與DRAM水平相當，他們都是存儲級內存的代表。英特爾與美光聯(lián)合開發(fā)的3D XPoint技術就基于PCM。

IBM在博客中透露，為了實現(xiàn)AI真正的潛力，在紐約州立大學和創(chuàng)始合作伙伴成員的支持下，IBM正在建立一個研究中心，以開發(fā)新一代AI硬件，并期待擴展其納米技術的聯(lián)合研究工作。

據(jù)了解，IBM Research AI硬件中心合作伙伴涵蓋半導體全產業(yè)鏈上的公司，包括IBM制造和研究領域的戰(zhàn)略合作伙伴三星，互聯(lián)解決方案公司Mellanox Technologies，提供仿真和原型設計解決方案軟件平臺提供商Synopsys，半導體設備公司Applied Materials和Tokyo Electron Limited（TEL）。

還與紐約州奧爾巴尼的紐約州立大學理工學院主辦方合作，進行擴展的基礎設施支持和學術合作，并與鄰近的倫斯勒理工學院（RPI）計算創(chuàng)新中心（CCI）合作，開展人工智能和計算方面的學術合作。

新的處理硬件

IBM研究院的半導體和人工智能硬件副總裁Mukesh Khare表示，目前的機器學習限制可以通過使用新的處理硬件來打破，例如：

數(shù)字AI核心和近似計算

帶模擬內核的內存計算

采用優(yōu)化材料的模擬核心

圖1：IBM Research AI硬件中心制定的一個路線圖，在未來十年內將AI計算性能效率提高1000倍，并提供數(shù)字AI核心和模擬AI核心管道。

Mukesh Khare提到將深度神經(jīng)網(wǎng)絡（DNN）映射到模擬交叉點陣列（模擬AI核心）。它們在陣列交叉點處具有非易失性存儲器材料以存儲權重。

DNN計算中的數(shù)值被加權以提高訓練過程中決策的準確性。

這些可以直接用交叉點PCM陣列實現(xiàn)，無需主機服務器CPU干預，從而提供內存計算，無需數(shù)據(jù)搬移。與英特爾XPoint SSD或DIMM等數(shù)字陣列形成對比，這是一個模擬陣列。

PCM沿著非晶態(tài)和晶態(tài)之間的8級梯度記錄突觸權重。每個步驟的電導或電阻可以用電脈沖改變。這8級在DNN計算中提供8位精度。

圖2：非易失性存儲器的交叉開關陣列可以通過在數(shù)據(jù)位置處執(zhí)行計算來加速完全連接的神經(jīng)網(wǎng)絡的訓練。

模擬存儲器芯片內部的計算

在IBM的研究報告中指出：

“模擬非易失性存儲器（NVM）可以有效地加速”反向傳播（Backpropagation）“算法，這是許多最新AI技術進步的核心。這些存儲器允許使用基礎物理學在這些算法中使用的“乘法-累加”運算在模擬域中，在權重數(shù)據(jù)的位置處并行化。

“與大規(guī)模電路相乘并將數(shù)字相加在一起不同，我們只需將一個小電流通過電阻器連接到一根導線上，然后將許多這樣的導線連接在一起，讓電流積聚起來。這讓我們可以同時執(zhí)行許多計算，而不順序執(zhí)行。也不是在數(shù)字存儲芯片和處理芯片之間的傳輸數(shù)字數(shù)據(jù)，我們可以在模擬存儲芯片內執(zhí)行所有計算?！?/p>

圖3：我們的模擬AI內核是性能效率內存計算方法的一部分，通過消除與內存之間的數(shù)據(jù)傳輸來突破所謂的馮·諾伊曼結構瓶頸，從而提高了性能。深度神經(jīng)網(wǎng)絡被映射到模擬交叉點陣列，并且切換新的非易失性材料特性以在交叉點中存儲網(wǎng)絡參數(shù)。

編譯，viablocksandfiles、ibm blog