Der neue KI-Chip des MIT ist 1 Million Mal schneller als die Synapsen im menschlichen Gehirn

Ein Team von Forschern des Massachusetts Institute of Technology (MIT) hat daran gearbeitet, die Geschwindigkeitsgrenzen einer Art von zuvor entwickelten menschlichen analogen Synapsen zu verschieben, die kostengünstiger herzustellen und energieeffizienter sind und schnellere Berechnungen versprechen.

Das multidisziplinäre Team verwendete programmierbare Widerstände, die die zentralen Bausteine im analogen Deep Learning sind, genau wie Transistoren die Kernelemente zum Bau digitaler Prozessoren sind, um „analoges Deep Learning“ zu erzeugen.

Die Widerstände sind in sich wiederholenden Arrays eingebaut, um ein komplexes, geschichtetes Netzwerk aus künstlichen „Neuronen“ und „Synapsen“ zu schaffen, die Berechnungen genau wie ein digitales neuronales Netzwerk ausführen. Ein solches Netzwerk kann dann trainiert werden, um komplexe KI-Aufgaben wie Bilderkennung und natürliche Sprachverarbeitung zu erreichen.

Die Forscher verwendeten ein praktisches anorganisches Material im Herstellungsprozess, das es ihren Geräten ermöglicht, 1 Million Mal schneller zu laufen als frühere Versionen. Die Studie behauptete, dass es etwa 1 Million Mal schneller ist als die Synapsen im menschlichen Gehirn.

Darüber hinaus macht dieses organische Material den Widerstand extrem energieeffizient. Im Gegensatz zu den Materialien, die in der vorherigen Version ihres Geräts verwendet wurden, ist das neu entwickelte Material mit Silizium-Herstellungstechniken kompatibel und könnte den Weg für die Integration in kommerzielle Computerhardware für Deep-Learning-Anwendungen ebnen.

„Mit diesem entscheidenden Einblick und den sehr leistungsstarken Nanofabrikationstechniken, die wir bei MIT.nano haben, konnten wir diese Teile zusammenfügen und zeigen, dass diese Geräte von Natur aus sehr schnell sind und mit angemessenen Spannungen arbeiten. Diese Arbeit hat diese Geräte wirklich an einen Punkt gebracht, an dem sie jetzt vielversprechend für zukünftige Anwendungen aussehen“, sagte der Hauptautor Jesús A. del Alamo, der Donner-Professor im Department für Elektrotechnik und Informatik (EECS) des MIT.

„Der Arbeitsmechanismus des Geräts ist die elektrochemische Einspritzung des kleinsten Ions, des Protons, in ein isolierendes Oxid, um dessen elektronische Leitfähigkeit zu modulieren. Da wir mit sehr dünnen Geräten arbeiten, konnten wir die Bewegung dieses Ions beschleunigen, indem wir ein starkes elektrisches Feld verwenden, und diese ionischen Geräte in den Nanosekunden-Betriebsbereich drücken“, erklärte der Hauptautor Bilge Yildiz, der Breene M. Kerr Professor in den Abteilungen für Nuklearwissenschaft und -technik sowie Materialwissenschaft und -technik.

„Das Aktionspotential in biologischen Zellen steigt und fällt mit einer Zeitskala von Millisekunden, da der Spannungsunterschied von etwa 0,1 Volt durch die Stabilität von Wasser eingeschränkt ist“, sagte der Hauptautor Ju Li, der Battelle Energy Alliance Professor für Nuklearwissenschaft und -technik und Professor für Materialwissenschaft und -technik. „Hier wenden wir bis zu 10 Volt über einen speziellen festen Glasfilm nanoskaliger Dicke an, der Protonen leitet, ohne ihn dauerhaft zu beschädigen. Und je stärker das Feld, desto schneller die ionischen Geräte“, fügte er hinzu.

Die genannten programmierbaren Widerstände erhöhen signifikant die Geschwindigkeit, mit der ein neuronales Netzwerk trainiert wird, während sie die Kosten und den Energieverbrauch für das Training erheblich reduzieren.

Die neuesten Entwicklungen könnten Wissenschaftlern helfen, Deep-Learning-Modelle viel schneller zu entwickeln, die dann in Anwendungen wie selbstfahrenden Autos, Betrugserkennung und medizinischer Bildanalyse eingesetzt werden könnten.

„Sobald Sie einen analogen Prozessor haben, werden Sie nicht mehr Netzwerke trainieren, an denen alle anderen arbeiten. Sie werden Netzwerke mit beispiellosen Komplexitäten trainieren, die sich sonst niemand leisten kann, und daher alle anderen weit übertreffen. Mit anderen Worten, das ist kein schnelleres Auto, das ist ein Raumschiff“, fügt der Hauptautor und MIT-Postdoc Murat Onen hinzu.

Die Ergebnisse der Forschung wurden in der Zeitschrift ‚Science‘ veröffentlicht.