واحد پردازش حافظه می تواند حافظه سازان را به توده ها برساند
روشی جدید برای تنظیم قطعات پیشرفته رایانه ای به نام memristors بر روی تراشه می تواند از آنها برای محاسبات عمومی استفاده کند ، که می تواند مصرف انرژی را با ضریب 100 کاهش دهد.
یک محقق دانشگاه میشیگان می گوید ، این امر می تواند عملکرد در محیط های کم مصرف مانند تلفن های هوشمند را بهبود بخشد یا ابر رایانه های کارآمدتری را ایجاد کند.
وی گفت: "از نظر تاریخی ، صنعت نیمه هادی با ساخت سریعتر دستگاه ها عملکرد را بهبود بخشیده است. مهندسی برق و کامپیوتر و بنیانگذار memristor شرکت startup Crossbar Inc.
ممکن است پاسخ دهندگان باشد. آنها می توانند به عنوان یک پورتمانتوی حافظه و مقاومت معرفی شوند و دارای مقاومت های مختلف باشند - به این معنی که اطلاعات را به عنوان سطح مقاومت ذخیره می کنند. این عناصر مدار حافظه و پردازش را در همان دستگاه امکان پذیر می سازند و تنگنای انتقال داده را توسط رایانه های معمولی که در آن حافظه جدا از پردازنده است جدا می کنند.
با این حال ، بر خلاف بیت های معمولی ، که 1 یا 0 هستند ، حافظه گیران می توانند مقاومت هایی داشته باشند که در یک پیوستار باشد. برخی از برنامه ها ، مانند محاسباتی که از مغز (نورومورفیک) تقلید می کنند ، از ماهیت آنالوگ حافظه سازها بهره می گیرند. اما برای محاسبات عادی ، تلاش برای تمایز بین تغییرات کوچک در جریان عبور از یک دستگاه ممریستور ، به اندازه کافی برای محاسبات عددی دقیق نیست.
آرایه Memristor روی صفحه مدار قرار دارد. اعتبار: محمد زیدان ، گروه نانوالکترونیک ، دانشگاه میشیگان.
لو و همکارانش با دیجیتالی کردن خروجی های فعلی این مشکل را حل کردند - محدوده فعلی را به عنوان مقادیر بیت خاص تعریف می کنند (یعنی 0 یا 1). این تیم همچنین قادر است مشکلات ریاضی بزرگی را در بلوک های کوچکتر درون آرایه ترسیم کند و کارایی و انعطاف پذیری سیستم را بهبود بخشد.
رایانه هایی با این بلوک های جدید ، که محققان آنها را "واحد پردازش حافظه" می نامند ، می توانند برای اجرای الگوریتم های یادگیری ماشین و هوش مصنوعی بسیار مفید باشند. آنها همچنین به خوبی با کارهایی که بر اساس عملیات ماتریس است ، مانند شبیه سازی های مورد استفاده برای پیش بینی هوا مناسب هستند. ساده ترین ماتریس های ریاضی ، شبیه به جداول با ردیف ها و ستون های اعداد ، می توانند به طور مستقیم بر روی شبکه حافظه ها نقشه برداری کنند.
پس از تنظیم تعداد حافظه ها ، تعداد کارها را ضرب و جمع می کنیم و می توانید ردیف ها و ستون ها را همزمان جمع کنید ، با مجموعه ای از پالس های ولتاژ در امتداد ردیف ها. جریان اندازه گیری شده در انتهای هر ستون حاوی پاسخ ها است. در مقابل ، یک پردازنده معمولی باید مقادیر مربوط به هر سلول از ماتریس را بخواند ، ضرب را انجام دهد و سپس هر ستون را به صورت سری خلاصه کند.
لو گفت: "ما ضرب و تکثیر را در یک مرحله به دست می آوریم. این امر از طریق قوانین بدنی مورد مراقبت قرار می گیرد. ما نیازی به ضرب دستی و جمع شدن در یک پردازنده نداریم."
تیم او تصمیم گرفت معادلات دیفرانسیل جزئی را حل کند به عنوان آزمایشی برای یک آرایه ممبرست 32x32 کند - که لو فقط یک بلوک از سیستم آینده را تصور می کند. این معادلات ، از جمله معیارهای پیش بینی آب و هوا ، بسیاری از مشکلات علمی و مهندسی را پشت سر می گذارند ، اما حل آن بسیار چالش برانگیز است. مشکل از اشکال پیچیده و متغیرهای متعدد مورد نیاز برای مدل سازی پدیده های جسمی ناشی می شود.
هنگام حل معادلات دیفرانسیل جزئی دقیقاً غیرممکن است ، حل تقریباً آنها می تواند به ابر رایانه ها نیاز داشته باشد. این مشکلات غالباً ماتریس داده های بسیار بزرگی را شامل می شوند ، بنابراین تنگنای ارتباطی پردازنده حافظه به طور مرتب با یک آرایه Memristor حل می شود. معادلات تیم لو که در تظاهرات خود به کار می برد ، یک راکتور پلاسما مانند شبیه سازهای مورد استفاده برای ساخت مدار مجتمع را شبیه سازی می کنند.
http://bookmark-dofollow.com/story6999232/قیمت-آکومولاتور