تیمی از پژوهشگران در کره جنوبی به‌تازگی نشان داده‌اند سخت‌افزارهای آنالوگ مبتنی بر دستگاه‌های حافظه دسترسی تصادفی الکتروشیمیایی یا ECRAM می‌توانند عملکرد محاسباتی هوش مصنوعی را به حداکثر دقت برسانند. درنتیجه این فناوری پتانسیل تجاری‌سازی دارد.
پیشرفت سریع فناوری هوش مصنوعی مقیاس‌پذیری سخت‌افزارهای دیجیتال موجود (CPUها، GPUها، ASICها و غیره) را به حداکثر رسانده است؛ درنتیجه، پژوهش‌هایی آغاز شده‌اند تا کاربرد سخت‌افزارهای آنالوگ مخصوص را در محاسبات هوش مصنوعی بررسی کنند.
سخت‌افزارهای آنالوگ مقاومت نیمه‌رساناها را براساس ولتاژ یا جریان خروجی تنظیم و از یک آرایش نقطه تقاطع استفاده می‌کنند. این آرایش معمولاً در دستگاه‌های حافظه‌ای استفاده می‌شود که در آن‌ها سلول‌های حافظه در تقاطع‌های عمودی و افقی قرار دارند. این طراحی عمدتاً در دستگاه‌های حافظه نسل جدید مانند حافظه دسترسی تصادفی مقاومتی (RRAM) و حافظه تغییر فاز (PCM) استفاده می‌شود و تراکم حافظه را افزایش و مصرف برق را کاهش می‌دهد.
آرایش نقطه تقاطع امکان پردازش موازی محاسبات هوش مصنوعی را برای دستگاه‌ها مهیا می‌کند. سخت‌افزارهای آنالوگ در وظایف محاسباتی خاص و پردازش داده پیوسته نسبت به سخت‌افزارهای دیجیتال مزایایی دارند اما برآوردن الزامات متنوع یادگیری محاسباتی و استنتاج هنوز چالش‌برانگیز است.
کاربرد دستگاه‌های ECRAM در هوش مصنوعی
تیم پژوهشی کره‌ای برای برطرف‌کردن محدودیت‌های سخت‌افزارهای حافظه آنالوگ در حوزه هوش مصنوعی، روی ECRAM متمرکز شدند که هدایت الکتریکی را از طریق حرکت و تمرکز یون‌ها مدیریت می‌کند. برخلاف حافظه‌های نیمه‌رسانای سنتی، این دستگاه‌ها ساختار سه‌ایستگاهی با مسیرهای جداگانه برای خواندن و نوشتن داده‌ها دارند. این مصرف برق را کاهش می‌دهند.
پژوهشگران با موفقیت دستگاه‌های ECRAM با نیمه‌رساناهای سه‌ایستگاهی با آرایه ۶۴ در ۶۴ ساختند. آزمایش‌ها نشان می‌دادند سخت‌افزار آن‌ها خصوصیات الکتریکی و راه‌گزینی عالی، به‌همراه یکپارچگی و بازدهی بالا داشتند.
در ادامه، پژوهشگران الگوریتم تیکی-تاکا را با موفقیت اجرا کردند و دقت محاسبات در تمرینات شبکه عصبی مصنوعی را به حداکثر رساندند. الگوریتم تیکی-تاکا الگوریتم پیشرفته مخصوص سخت‌افزارهای آنالوگ است که نام آن به تاکتیک فوتبالی معروفی با همین اسم اشاره می‌کند.
به‌طور خاص، پژوهشگران اثر خاصیت «حفظ وزن» در تمرینات سخت‌افزاری را روی یادگیری نشان دادند و تأیید کردند که تکنیک آن‌ها شبکه‌های عصبی مصنوعی را گرفتار سربار نمی‌کند؛ یعنی فناوری آن‌ها قابلیت تجاری‌سازی دارد.
تا پیش‌ازاین، بزرگ‌ترین آرایش دستگاه‌های ECRAM برای ذخیره و پردازش سیگنال‌های آنالوگ آرایه ۱۰ در ۱۰ بود. پژوهشگران حالا با موفقیت این دستگاه‌ها را در مقیاسی بزرگ‌تر و با خصوصیاتی متنوع برای هر دستگاه به کار برده‌اند.
پژوهشگران می‌گویند با تحقق آرایش‌های مقیاس بزرگ براساس فناوری‌های حافظه جدید و توسعه الگوریتم‌های مخصوص سخت‌افزاهای آنالوگ، نشان داده‌اند که پتانسیل عملکرد محاسباتی هوش مصنوعی و بهره‌وری انرژی این فناوری بسیار بیشتر از روش‌های دیجیتال است. آن‌ها نتایج کارشان را در ژورنال Science Advances منتشر کرده‌اند.