Weltweit erster Chip mit phasenwechselbasiertem Memristor für neuronale Dynamik im Millisekundenbereich vorgestellt
Forscher der Peking-Universität und des Shanghai Institute of Microsystem and Information Technology der Chinesischen Akademie der Wissenschaften haben gemeinsam einen Chip für neuronale Dynamik auf Basis von Phasenwechsel-Memristoren entwickelt. Die im Fachjournal *Science* veröffentlichte Studie mit dem Titel „Sub-10-Millisekunden-neuronale-Dynamik-System auf Basis von Phasenwechsel-Memristoren“ stellt eine kontrollierte In-Memory-Computing-Methode vor, die Gerätephysik mit neuronalen Dynamik-Algorithmen kombiniert. Der Prototypchip reduziert die Latenz auf
Weltweit erster Chip mit phasenwechselbasiertem Memristor für neuronale Dynamik im Millisekundenbereich vorgestellt
Einleitung
Forschern der Universität Peking und des Shanghaier Mikrosystem- und Informationstechnologie-Instituts der Chinesischen Akademie der Wissenschaften ist es gelungen, einen Chip mit einem neurodynamischen System auf Basis von Phasenwechsel-Memristoren zu entwickeln.
Die in der Fachzeitschrift Science unter dem Titel „Sub-10-Millisekunden neurodynamisches System auf Basis von Phasenwechsel-Memristoren“ veröffentlichte Studie stellt ein kontrollierbares In-Memory-Computing-Schema vor, das die physikalischen Eigenschaften der Bauelemente mit neurodynamischen Algorithmen kombiniert.
Das原型system reduziert die Latenz einer einzelnen Iteration des neurodynamischen Systems auf 2,12 Millisekunden. In den veröffentlichten Experimenten erzielte das System im Vergleich zu vorhandenen spezialisierten Beschleunigern eine deutliche Steigerung von Geschwindigkeit und Energieeffizienz und ermöglichte gleichzeitig eine hochgenaue Rekonstruktion der Kortexoberfläche und die Erzeugung dreidimensionaler Mannigfaltigkeitsgitter.
Ein langjähriges Echtzeit-Rechenengpass
Neurodynamische Systeme vereinen die Ausdruckskraft neuronaler Netze mit dem kontinuierlichen Evolutionsmechanismus von Differentialgleichungen.
Dies macht solche Systeme geeignet für Aufgaben, die die Modellierung von physikalischen Systemen über die Zeit hinweg erfordern, darunter:
- Modellierung der physikalischen Welt
- Computergestützte Bildgebung
- 3D-Geometrierekonstruktion
- Modellierung von Gehirnzuständen
- Wissenschaftliche Simulationen
- Regelung in geschlossenen Kreisläufen
Allerdings sind die Rechenanforderungen dieser Systeme äußerst anspruchsvoll. Die Lösung neurodynamischer Modelle erfordert in der Regel wiederholte numerische Integration, Fehlerschätzung und adaptive Schrittweiten-Suche. Jede Iteration kann mehrere Auswertungen des neuronalen Netzes sowie häufige Übertragungen von Zwischendaten zwischen Speicher und Recheneinheiten umfassen.
In traditionellen Von-Neumann-Architekturen sind Speicher und Rechnung physisch getrennt. Daten müssen während des gesamten Rechenprozesses zwischen Speicher, Cache und arithmetischen Einheiten hin- und hertransportiert werden. Dieser Datentransport verbraucht Zeit und Energie, manchmal sogar mehr als die mathematischen Operationen selbst.
Seit fast einem halben Jahrhundert bleibt das Kernproblem schwer zu lösen: Wie können neurodynamische Systeme unter Beibehaltung einer präzisen kontinuierlichen Modellierung eine Latenz erreichen, die Echtzeitanwendungen ermöglicht?
Kontrollierbares In-Memory-Computing-Schema
Das Forschungsteam löste dieses Problem mithilfe von zwei programmierbaren Eigenschaften von Phasenwechsel-Speichergeräten:
- Leitwertdrift – verändert sich im Laufe der Zeit auf vorhersagbare, gesetzmäßige Weise
- Mehrstufiger Leitwert – ein einzelnes Bauelement kann mehrere stabile Gewichtungsstufen repräsentieren
Die Forscher betrachteten diese physikalischen Effekte nicht nur als zu korrigierende Fehler, sondern bildeten sie direkt auf nützliche Rechenoperationen ab.
Dabei wurde die Leitwertdrift verwendet, um eine adaptive Schrittweiten-Suche direkt im Speicher zu realisieren.
Die mehrstufigen Leitwertzustände wurden für Multiplikations-Akkumulations-Operationen innerhalb des Speicherarrays genutzt.
Dies schuf ein kontrollierbares In-Memory-Computing-System, bei dem wichtige Komponenten des neurodynamischen Algorithmus durch das physikalische Verhalten der Bauelemente selbst ausgeführt werden.
[Bildbeschreibung]
Warum adaptive Schrittweite wichtig ist
Numerische Löser verwenden nicht immer die gleiche Zeitschrittweite.
Wenn das modellierte System sich langsam ändert, kann eine größere Schrittweite ausreichend genau sein und Rechenaufwand sparen. Bei schnellen Änderungen ist eine kleinere Schrittweite erforderlich, um Fehler zu kontrollieren.
Herkömmliche Hardware berechnet, vergleicht und passt diese Schrittweite durch digitale Logik wiederholt an. Das neue System kodiert die effektive Integrationsschrittweite dagegen als Leitwertzustand der Phasenwechsel-Bauelemente und nutzt deren kontrollierte physikalische Entwicklung während des Suchprozesses.
Das Ergebnis ist nicht nur, dass der Speicher näher am Prozessor ist, sondern dass die Speicherbauelemente direkt an der Ausführung des Algorithmus beteiligt sind.
Mehrstufiger Leitwert für neuronale Netzberechnungen
Das integrierte neuronale Netz muss weiterhin Gewichte speichern und Matrixoperationen ausführen.
Das Forschungsteam verwendete präzise programmierte mehrstufige Leitwertzustände, um diese Gewichte in einem dichten Phasenwechsel-Speicherarray darzustellen. Matrix-Vektor-Multiplikationen können direkt im Array ausgeführt werden, ohne dass Zahlen wiederholt in separate digitale Multiplizierer und Addierer geladen werden müssen.
Die Kombination von adaptiver Schrittweiten-Suche und neuronaler Netz-Inferenz im selben physikalischen System reduziert:
- Speicherlese- und -schreibvorgänge
- Digitale Multiplikationen
- Wiederholte Additionen
- Cache-Zugriffe
- Zwischenpufferung
- Datenbewegung zwischen Rechnung und Speicher
Dieses koordinierte Design von Bauelement, Algorithmus und Architektur ist der Hauptgrund dafür, dass der Chip bei gleichbleibender Modellierungsgenauigkeit eine geringere Latenz erzielen kann.
Chip-Architektur und Kernspezifikationen
Der Chip des neurodynamischen Systems wurde in einem 40-nm-Verfahren gefertigt.
Die Fläche der In-Memory-Computing- und Schrittweiten-Drift-Arrays beträgt lediglich 0,28 mm². Das Design umfasst außerdem Unterstützungsschaltungen wie Programmierimpulsgeneratoren, Analog-Digital-Wandler, Treiber und andere periphere Logik.
Der Chip arbeitet mit 50 MHz. Ein einzelner Integrationsschritt verwendet eine neunstufige Pipeline, die gemessene Iterationslatenz beträgt 2,12 ms.
[Bildbeschreibung]
Chip-Spezifikationen
| Spezifikation | Berichteter Wert |
|---|---|
| Fertigungsverfahren | 40 nm CMOS |
| Kombinierte ENN-CIM- und Schrittweiten-Drift-Array-Fläche | 0,28 mm² |
| Phasenwechsel-Speicherarray | 147K 1T1R-Zellen |
| Arbeitsfrequenz | 50 MHz |
| Integrierte Pipeline | 9 Stufen |
| Iterationslatenz | 2,12 ms |
| SET/RESET-Haltbarkeit | 10¹⁰ Mal |
| Berichtete Ausbeute | >99,9999% |
Die Studie beschreibt das System als sub-10-Millisekunden-neurodynamische Plattform, während die gemessene Einzeliteration bei 2,12 ms liegt.
Leistungsvergleich mit vorhandenen Beschleunigern
Das Forschungsteam verglich das System mit hochmodernen speziellen neurodynamischen System-Hardware sowie mit NVIDIA A100 GPUs bei hochgenauen Modellierungsaufgaben.
Für die gleiche Art neurodynamischer Berechnungen soll der Chip Folgendes erreicht haben:
- 3,82- bis 36,27-mal schneller als modernste spezialisierte ASIC-Beschleuniger
- 11,75- bis 24,73-mal geringerer Stromverbrauch als diese ASIC-Systeme
- Bei der Kortexoberflächenrekonstruktion 50,38- bis 478,18-mal schneller als eine NVIDIA A100 GPU
| Vergleich | Berichtetes Ergebnis |
|---|---|
| Geschwindigkeit vs. spezialisierte neurodynamische System-ASICs | 3,82×–36,27× schneller |
| Stromverbrauch vs. spezialisierte neurodynamische System-ASICs | 11,75×–24,73× niedriger |
| Geschwindigkeit vs. NVIDIA A100 (Kortexmodellierung) | 50,38×–478,18× schneller |
Diese Daten beziehen sich auf spezifische Aufgaben und Systeme. Sie sollten nicht als allgemeine Aussage interpretiert werden, dass der Prototyp bei allgemeinen KI-Workloads durchgängig schneller ist als die A100.
Der Beschleuniger ist für ein spezielles neurodynamisches Rechenmuster ausgelegt. Sein Vorteil ergibt sich aus der engen Abbildung der Rechenaufgabe auf die Eigenschaften der Phasenwechsel-Bauelemente und der Eliminierung des massiven Datentransfers, der bei universeller digitaler Hardware erforderlich ist.
Echtzeit-Kortexoberflächenrekonstruktion
Das Forschungsteam verwendete den Chip, um die weiße und graue Substanz der Kortexoberfläche zu rekonstruieren und dreidimensionale Mannigfaltigkeitsgitter zu erzeugen.
Das System beginnt mit einer geschlossenen Vorlage vom Geschlecht Null und entwickelt sich durch einen neurodynamischen Prozess zur Zielhirnstruktur. Der Integrationspfad muss glatt bleiben und gleichzeitig die topologische Invarianz der Oberfläche bewahren.
(Hier befindet sich ein Bild, siehe Beschreibung oben)
Die berichteten Ergebnisse zeigen, dass die erzeugte Kortexoberfläche folgende Eigenschaften aufweist:
- Glatt
- Geschlossen
- Topologisch konsistent
- Fähig, komplexe kortikale Falten darzustellen
- Weniger anfällig für Selbstüberschneidungen
- Weniger anfällig für Nicht-Mannigfaltigkeits-Artefakte
Die Rekonstruktionsergebnisse schnitten bei den folgenden geometrischen Bewertungsmetriken gut ab:
- Mittlerer symmetrischer Oberflächenabstand
- Hausdorff-Abstand
Diese Metriken messen, wie gut die rekonstruierte Oberfläche mit der Referenzstruktur übereinstimmt, einschließlich der durchschnittlichen Abweichung und der extremeren Randfehler.
Warum topologische Konsistenz wichtig ist
Ein Gehirnoberflächenmodell ist nicht allein deshalb nützlich, weil es wie ein Gehirn aussieht.
Es benötigt auch eine gültige geometrische Struktur.
Selbstüberschneidungen, Hohlräume und Nicht-Mannigfaltigkeitsbereiche können nachgelagerte Analysen unzuverlässig machen und sich auf anatomische Messungen, Navigation, Simulationen sowie vergleichende Analysen über die Zeit oder zwischen Patienten auswirken.
Der neurodynamische Ansatz formt eine gültige Vorlage kontinuierlich zur Zielmorphologie um, wobei die Entwicklung gut kontrolliert wird, sodass sowohl die Topologie der ursprünglichen Oberfläche erhalten bleibt als auch komplexe anatomische Strukturen angepasst werden können.
Potenzielle Auswirkungen auf Gehirn-Computer-Schnittstellen
Zukünftige Gehirn-Computer-Schnittstellen müssen weit mehr leisten als nur die Erkennung von Signalen und die Auslösung von Befehlen.
Fortschrittliche Systeme könnten die folgenden Fähigkeiten benötigen:
- Neuronale Aktivität auslesen
- Den aktuellen Gehirnzustand bewerten
- Die Entwicklungstendenz des Zustands vorhersagen
- Eine geeignete Antwortstrategie wählen
- Rückkopplungsregelung im geschlossenen Kreislauf implementieren
- Das Modell basierend auf neuen Messdaten aktualisieren
Dieser Prozess ist äußerst latenzempfindlich. Gehirnzustandsmodelle, die eine langwierige Offline-Verarbeitung erfordern, können keine echte interaktive Antwort ermöglichen.
Millisekunden-schnelle neurodynamische Berechnungen können personalisiertere und kontinuierlich aktualisierte neuronale Zustandsdarstellungen unterstützen und haben das Potenzial, Gehirn-Computer-Schnittstellen von der grundlegenden Signalklassifizierung hin zu Echtzeit-Modellierung und adaptiver Interaktion zu bewegen.
Das aktuelle Ergebnis ist ein Forschungprototyp und kein direkt implantierbarer BCI-Prozessor. Weitere Entwicklungen sind in den Bereichen Systemintegration, Robustheit, medizinische Validierung, Verpackungstechnologie, Datenerfassung und behördliche Zulassung erforderlich.
Potenzielle medizinische Anwendungsrichtungen
Die Studie zeigt gleichzeitig Anwendungsperspektiven in der medizinischen Bildgebung und der computergestützten Neurowissenschaft auf.
Mögliche zukünftige Entwicklungsrichtungen umfassen:
- Gehirn-Digitaler Zwilling
- Intraoperative neuronavigation
- Echtzeit-Kortexrekonstruktion
- Längsschnittüberwachung der Gehirnstruktur
- Unterstützung der Forschung zu neurodegenerativen Erkrankungen
- Patientenspezifische Modellierung
- Neuronale Regelungssysteme im geschlossenen Kreislauf
Bei Erkrankungen wie Alzheimer und Parkinson können subtile Veränderungen der Gehirnstruktur und -funktion klinisch bedeutsam sein.
Schnellere Modellierungstechniken könnten es Forschern oder Klinikern ermöglichen, diese Veränderungen auf interaktivere Weise zu analysieren.
Der Chip selbst besitzt jedoch keine diagnostische Funktion für Krankheiten. Jegliche klinische Anwendung erfordert validierte medizinische Modelle, repräsentative Datensätze, prospektive Studien, systemische Sicherheitstests sowie entsprechende regulatorische Prüfungen.
Paradigmenwechsel hin zur physikalisch basierten Berechnung
Ein zeitgleich im Science-Journal veröffentlichter Kommentar weist darauf hin, dass diese Forschung einen Paradigmenwechsel hin zur Berechnung auf Basis physikalischer Geräteeigenschaften darstellt.
Herkömmliche digitale Designs zielen meist darauf ab, analoges Verhalten, Parameterabweichungen und Gerätedrift zu unterdrücken. Dieses Projekt schlägt einen neuen Weg ein, indem es physikalische Geräteeigenschaften identifiziert, die die Komponenten des Zielalgorithmus charakterisieren können, und darauf aufbauend Rechensysteme entwickelt.
Diese Denkweise ist im Post-Moore-Zeitalter besonders wertvoll – wo die reine Skalierung von Transistoren kaum noch nachhaltige Verbesserungen bei Kosten, Energieverbrauch und Leistung ermöglicht.
Neuartige Systeme verlassen sich nicht mehr nur auf kleinere Transistoren, sondern integrieren zunehmend:
- Spezielle Architekturen
- Rechnen im Speicher
- Analoge/Mixed-Signal-Verarbeitung
- Emerging
nichtflüchtige Speicher
- Algorithmus-Hardware-Co-Design
- Heterogene Integration
Der Phasenwechsel-Memristor-Chip ist ein Beispiel für diesen breiteren Forschungsansatz.
Forschungsteam und Unterstützung
Das Projekt wurde gemeinsam von Professor Yang Yuchao von der Peking-Universität und Forscher Song Zhitang vom Shanghai Institute of Microsystem and Information Technology der Chinesischen Akademie der Wissenschaften geleitet.
Der Science-Artikel nennt Lei Kai als Erstautor. Im offiziellen Bericht werden zudem die Mitarbeiter Tao Yaoyu, Xie Chenchen, Yan Longhao und Zhu Yixin als Mitwirkende an der Forschung aufgeführt.
Die Arbeit wurde von folgenden Projekten und Institutionen unterstützt:
- New Cornerstone Investigator Program
- National Key R&D Program of China
- National Natural Science Foundation of China
- Guangdong Provincial Key Laboratory of In-Memory Computing Chips
- Shenzhen Key Industry Research Project
- Major Research Plan der Peking-Universität 2030
Der Artikel wurde in Science, Band 393, Ausgabe 6806, Seiten 105-112 veröffentlicht, DOI: 10.1126/science.aee6277.
Vom Forschungsstand nicht bestätigte Aspekte
Die Forschungsergebnisse sind bedeutsam, jedoch müssen einige Grenzen klar benannt werden.
Dies ist ein spezieller Beschleuniger
Der Chip ist für Aufgaben im Bereich neurodynamischer Systeme optimiert und sollte nicht als austauschbarer Allzweckprozessor mit einer GPU betrachtet werden.
Prototyp ist kein kommerzielles Produkt
Der Artikel zeigt ein gefertigtes und experimentell verifiziertes System. Maßstabsvergrößerung, langfristige Feldzuverlässigkeit, Verpackungskosten, Software-Toolchain und Produktionsbereitstellung sind jedoch eigenständige technische Herausforderungen.
Medizinische Anwendungen sind noch Zukunftsmusik
Die Gehirnrekonstruktion ist zwar ein Demonstrationsbeispiel, aber für klinische Diagnosen oder Eingriffe sind wesentlich mehr medizinische Belege erforderlich.
Analog- und Memristorsysteme erfordern Kalibrierung
Phasenwechsel-Bauelemente weisen Abweichungen, Drift, Nichtlinearität und Umweltempfindlichkeit auf. Die Bedeutung dieser Studie liegt darin, einen Teil dieser Eigenschaften zu kontrollieren und zu nutzen, nicht darin, zu beweisen, dass alle analogen Hardware-Probleme gelöst sind.
Häufig gestellte Fragen
Was ist ein neurodynamisches System?
Neurodynamische Systeme kombinieren neuronale Netze mit kontinuierlichen Differentialgleichungen. Sie modellieren die zeitliche Entwicklung physikalischer oder biologischer Zustände, anstatt nur statische Vorhersagen zu liefern.
Was ist ein Phasenwechsel-Memristor?
Phasenwechsel-Memristoren speichern Informationen durch kontrollierbare Materialzustände, die unterschiedliche Leitfähigkeitsniveaus erzeugen. Ihre Leitfähigkeit ist programmierbar, bleibt erhalten und kann direkt für Berechnungen im Speicher genutzt werden.
Was bedeutet kontrollierbares Rechnen im Speicher?
Es bedeutet, dass das Speicherbauelement während der Datenspeicherung gleichzeitig effektive Berechnungen durchführt. In diesem Chip ermöglicht die kontrollierbare Leitfähigkeitsdrift eine adaptive Schrittweite, und die mehrstufige Leitfähigkeit unterstützt neuronale Netz-Multiplikationen.
Wie schnell ist der neue neurodynamische Chip?
Das berichtete Prototypsystem benötigt 2,12 Millisekunden für eine neurodynamische Iteration. Der Artikel beschreibt die gesamte Plattform als Sub-10-Millisekunden-System.
Ist dieser Chip schneller
als die NVIDIA A100?
Bei der im Test durchgeführten Kortexoberflächen-Rekonstruktionsaufgabe soll das System 50,38- bis 478,18-mal schneller gewesen sein. Dies ist ein Vergleich für eine spezifische Arbeitslast und bedeutet nicht eine allgemein überlegene KI-Leistung.
In welchem Fertigungsprozess wird der Chip hergestellt?
Der neurodynamische Chip wurde in einem 40-nm-CMOS-Prozess gefertigt. Die Gesamtfläche des In-Memory-Computing- und Schrittweiten-Drift-Arrays beträgt 0,28 Quadratmillimeter.
Kann der Chip jetzt für Gehirn-Computer-Schnittstellen verwendet werden?
Noch nicht als fertiges klinisches Produkt. Diese Forschung bietet eine mögliche Hardware-Grundlage für die zukünftige Echtzeit-Modellierung von Gehirnzuständen, aber tatsächliche BCI-Anwendungen erfordern weitere Systemintegration, Validierung und regulatorische Arbeit.
Wo wurden die Forschungsergebnisse veröffentlicht?
Der Artikel wurde in Science unter dem Titel „Sub-10-Millisekunden-neurodynamisches System basierend auf Phasenwechsel-Memristoren“ veröffentlicht. Seine DOI ist 10.1126/science.aee6277.
Verwandte Tools
- FreeSurfer: Eine weit verbreitete Open-Source-Software-Suite für die Rekonstruktion der Kortexoberfläche und die Analyse der Gehirnstruktur.
- NVIDIA A100 Tensor Core GPU: Die im Bericht als Leistungsreferenz für die Kortexmodellierung verwendete Data-Center-GPU.
- SciPy Integrate: Bietet Werkzeuge für die numerische Integration und zeigt traditionelle digitale Methoden zur Lösung kontinuierlicher dynamischer Systeme.
- PyTorch: Ein Deep-Learning-Framework, das häufig zur Erstellung eingebetteter neuronaler Netze und neuronaler Differentialgleichungsmodelle verwendet wird.
- MONAI: Ein Open-Source-Deep-Learning-Framework für medizinische Bildgebungs- und Gehirnanalyse-Workflows.
Verwandte Links
- Science-Forschungsartikel: Der begutachtete Artikel, der das Sub-10-Millisekunden-neurodynamische System beschreibt.
- Offizielle Forschungsankündigung der Peking-Universität: Detaillierte Erklärung des Geräts, der Architektur, der Benchmarks und der Gehirnrekonstruktions-Demonstration der Peking-Universität.
- Science-Perspektivartikel: Physikalisch basiertes Rechnen im Speicher: Ein begleitender Perspektivartikel über physikalisch basiertes Rechnen im Speicher.
- Science, Band 393, Ausgabe 6806: Die Zeitschriftenausgabe, die den Forschungsartikel und zugehörige Kommentare enthält.
- Institut für Integrierte Schaltkreise der Peking-Universität: Offizielle Informationen über die Forschung zu integrierten Schaltkreisen an der Peking-Universität.
- Shanghai Institute of Microsystem and Information Technology der Chinesischen Akademie der Wissenschaften: Die offizielle Website des kooperierenden CAS-Instituts.
- Übersichtsartikel zur Memristor-Technologie: Ein Science-Übersichtsartikel über Memristor-Bauelemente, die Speicher, Berechnung und neuromorphe Systeme abdecken.
Zusammenfassung
Forscher der Peking-Universität und der Chinesischen Akademie der Wissenschaften haben einen neurodynamischen System-Chip auf Basis von Phasenwechsel-Memristoren gebaut, der kontrollierbares Rechnen im Speicher ermöglicht. Das Bauelement bildet die Leitfähigkeitsdrift auf eine adaptive Integrationsschrittweite ab und nutzt die mehrstufige Leitfähigkeit für neuronale Netzberechnungen.
Dieser im 40-nm-Verfahren gefertigte Musterchip benötigt nur 2,12 Millisekunden pro Iteration und bietet deutliche Vorteile in Geschwindigkeit und Leistungsaufnahme gegenüber existierenden speziellen Beschleunigern. Bei der Kortexoberflächen-Rekonstruktion erzeugte er glatte, geschlossene und topologisch konsistente Gehirnmodelle mit einer weitaus geringeren Latenz als die getesteten GPU-Lösungen.
Der Chip ist derzeit noch ein spezieller Forschungsprototyp; seine Anwendungen im medizinischen Bereich und bei Gehirn-Computer-Schnittstellen sind noch Zukunftsmusik. Die Forschung beweist jedoch: Neuartige physikalische Speichereigenschaften können als aktive Rechenressourcen genutzt werden, nicht nur als Speichermechanismus.
Der Kerndurchbruch liegt nicht einfach in der Entwicklung eines schnelleren Chips – sondern darin, durch das Co-Design von Bauelement und Algorithmus das Phasenwechsel-Speicherverhalten zu einem integralen Bestandteil der neurodynamischen Berechnung selbst zu machen.