ミネソタ大学ツインシティーズの工学研究者らは、人工知能 (AI) コンピューティング アプリケーションのエネルギー消費を少なくとも 1,000 分の 1 に削減できる最先端のハードウェア デバイスを実証しました。

研究というのは、出版されたでnpj 型破りなコンピューティングタイトルは「磁気トンネル接合ベースの計算ランダムアクセスメモリの実験デモンストレーション」。研究者らは、この装置で使用される技術に関して複数の特許を取得しています。

AI アプリケーションに対する需要が高まる中、研究者たちは、高いパフォーマンスと低いコストを維持しながら、よりエネルギー効率の高いプロセスを作成する方法を模索してきました。一般に、機械または人工知能のプロセスは、ロジック (システム内で情報が処理される場所) とメモリ (データが保存される場所) の両方の間でデータを転送し、大量の電力とエネルギーを消費します。

ミネソタ大学理工学部の研究チームは、計算ランダム アクセス メモリ (CRAM) と呼ばれる、データがメモリから決して離れることのない新しいモデルを実証しました。

「この研究は、コンピュータが情報を保存するグリッドを離れることなく、メモリアレイ内で完全にデータを処理できるCRAMの最初の実験的デモンストレーションです」とミネソタ大学電気コンピュータ工学科のYang Lv氏は述べた。博士研究員であり、論文の筆頭著者。

国際エネルギー機関（IEA）は、世界のエネルギー使用予測2024 年 3 月には、エネルギー消費AI の電力消費量は、2022 年の 460 テラワット時 (TWh) から 2026 年には 1,000 TWh に倍増する可能性があります。これは日本全体の電力消費量にほぼ相当します。

新しい論文の著者らによると、CRAM ベースの機械学習推論アクセラレータは 1,000 程度の改善を達成すると推定されています。別の例では、従来の方法と比較して 2,500 倍と 1,700 倍のエネルギー節約が示されました。

この研究には 20 年以上の歳月がかかりました。

「20年前のコンピューティングにメモリセルを直接使用するという私たちの最初のコンセプトは、狂気の沙汰だと考えられていました」と、この論文の主著者であり、電気・コンピュータ工学科のロバート・F・ハートマン教授でありマックナイト特別教授でもあるJian-Ping Wang氏は述べた。ミネソタ大学。

「2003 年以来進化する学生グループと、ミネソタ大学で物理学から構築された真の学際的な教員チームにより、材料科学エンジニアリング、コンピューターサイエンスと工学、モデリングとベンチマーク、ハードウェアの作成に至るまで、私たちは肯定的な結果を得ることができ、この種のテクノロジーが実現可能であり、テクノロジーに組み込む準備ができていることを実証しました」とワン氏は述べた。

この研究は、Wang 氏とその共同研究者による磁気トンネル接合 (MTJ) デバイスに関する特許取得済みの画期的な研究に基づいた、一貫した長期にわたる取り組みの一部です。MTJ デバイスは、ハードドライブ、センサー、およびその他のマイクロエレクトロニクス システムを改善するために使用されるナノ構造デバイスです。磁気ランダム アクセス メモリ (MRAM) は、マイクロコントローラーやスマート ウォッチなどの組み込みシステムで使用されています。

CRAM アーキテクチャは、メモリ内およびメモリによる真の計算を可能にし、従来のフォン ノイマン アーキテクチャのボトルネックとなっていた計算とメモリの間の壁を打ち破ります。フォン ノイマン アーキテクチャは、現代のほぼすべてのコンピュータの基礎として機能するストアド プログラム コンピュータの理論設計です。

「非常にエネルギー効率の高いデジタル ベースのインメモリ コンピューティング基板である CRAM は、メモリ アレイ内の任意の場所で計算を実行できるという点で非常に柔軟です。したがって、さまざまなセットのパフォーマンス ニーズに最もよく適合するように CRAM を再構成できます。」AI アルゴリズム」と、コンピューティング アーキテクチャの専門家であり、この論文の共著者であり、ミネソタ大学の電気およびコンピュータ工学科の准教授である Ulya Karpuzcu 氏は述べています。

「今日の AI システムの従来の構成要素よりもエネルギー効率が優れています。」

CRAM は内部で直接計算を実行します。メモリセルアレイ構造を効率的に利用することで、低速でエネルギーを大量に消費するデータ転送の必要性がなくなるとカルプスク氏は説明した。

最も効率的な短期ランダムアクセスメモリ、または RAM デバイスは、4 つまたは 5 つのトランジスタを使用して 1 または 0 をコード化しますが、スピントロニクス デバイスである MTJ は、同じ機能をわずかなエネルギーでより高速に実行でき、過酷な環境に対する耐性があります。スピントロニクスデバイスは、電子のスピンではなく電子のスピンを利用します。電荷データを保存し、従来のトランジスタベースのチップに代わるより効率的な代替手段を提供します。

現在、チームはミネソタ州を含む半導体業界のリーダーと協力して大規模なデモンストレーションを実施し、AI機能を進化させるためのハードウェアを製造することを計画している。

チームには、Lv、Wang、Karpuzcu に加えて、ミネソタ大学電気コンピュータ工学科の研究者 Robert Bloom と Husrev Cilasun が含まれていました。著名なマクナイト教授、ロバート＆マージョリー・ヘンレ会長のサチン・サパトネカール氏。元博士研究員のBrandon Zink、Zamshed Chowdhury、Salonik Resch。アリゾナ大学の研究者であるプラビン・カナル氏、アリ・ハビボグル氏、ウェイガン・ワン教授らも参加した。

詳細情報:Yang Lv 他、磁気トンネル接合ベースの計算用ランダム アクセス メモリの実験的デモンストレーション、npj 型破りなコンピューティング（2024年）。DOI: 10.1038/s44335-024-00003-3