Primo chip al mondo per sistemi neurodinamici a millisecondi basato su memristori a cambiamento di fase
Ricercatori dell'Università di Pechino e dell'Istituto di Microsistemi e Tecnologia dell'Informazione di Shanghai dell'Accademia Cinese delle Scienze hanno sviluppato un chip per sistemi neurodinamici basato su memristori a cambiamento di fase. Pubblicato sulla rivista Science con il titolo "Sistema neurodinamico sub-10 millisecondi basato su memristori a cambiamento di fase", questo studio propone un metodo di calcolo in-memory controllabile che combina la fisica dei dispositivi con algoritmi neurodinamici. Il chip prototipo riduce la latenza a
Primo chip al mondo per sistemi neurodinamici a millisecondi basato su memristori a cambiamento di fase
Introduzione
Ricercatori dell'Università di Pechino e dell'Istituto di Microsistemi e Tecnologia dell'Informazione di Shanghai dell'Accademia Cinese delle Scienze hanno sviluppato con successo un chip per sistemi neurodinamici basato su memristori a cambiamento di fase.
Questo risultato, pubblicato sulla rivista Science con il titolo "Sistema neurodinamico sub-10 millisecondi basato su memristori a cambiamento di fase", propone uno schema di calcolo in-memory controllabile che combina le caratteristiche fisiche dei dispositivi con algoritmi neurodinamici.
Il sistema prototipo riduce la latenza di una singola iterazione del sistema neurodinamico a 2,12 millisecondi. Negli esperimenti pubblicati, rispetto agli acceleratori specializzati esistenti, il sistema ha ottenuto un miglioramento significativo in velocità ed efficienza energetica, realizzando al contempo una ricostruzione della superficie corticale ad alta fedeltà e la generazione di mesh tridimensionali.
Il persistente collo di bottiglia del calcolo in tempo reale
I sistemi neurodinamici combinano l'espressività delle reti neurali con il meccanismo di evoluzione continua delle equazioni differenziali.
Ciò rende questi sistemi adatti a compiti che richiedono la modellazione di sistemi fisici che evolvono nel tempo, tra cui:
- Modellazione del mondo fisico
- Imaging computazionale
- Ricostruzione geometrica 3D
- Modellazione dello stato cerebrale
- Simulazioni scientifiche
- Controllo a ciclo chiuso
Tuttavia, i requisiti computazionali di questi sistemi sono estremamente elevati. La risoluzione di modelli neurodinamici richiede tipicamente integrazioni numeriche iterative, stima degli errori e ricerca adattiva del passo. Ogni iterazione può comportare multiple valutazioni della rete neurale e il frequente trasferimento di dati intermedi tra memoria e unità di elaborazione.
Nell'architettura tradizionale di von Neumann, memoria e calcolo sono fisicamente separati. I dati devono essere trasferiti avanti e indietro tra memoria, cache e unità aritmetiche durante l'intero processo di calcolo. Questo trasferimento di dati consuma tempo ed energia, a volte superando il costo delle stesse operazioni matematiche.
Per quasi mezzo secolo, il problema centrale è rimasto irrisolto: come possono i sistemi neurodinamici ottenere una bassa latenza per applicazioni in tempo reale, mantenendo al contempo una modellazione continua accurata?
Schema di calcolo in-memory controllabile
Il team di ricerca ha risolto il problema sfruttando due proprietà programmabili dei dispositivi a memoria a cambiamento di fase:
- Deriva della conduttanza – variazione prevedibile nel tempo secondo leggi note
- Conduttanza multilivello – un singolo dispositivo può rappresentare più livelli di peso stabili
I ricercatori non hanno considerato questi effetti fisici solo come difetti da correggere, ma li hanno mappati direttamente in operazioni di calcolo utili.
La deriva della conduttanza è stata utilizzata per implementare la ricerca adattiva del passo di integrazione in-situ.
I livelli di conduttanza multilivello sono stati utilizzati per le operazioni di moltiplicazione-accumulo all'interno dell'array di memoria.
Ciò ha creato un sistema di calcolo in-memory controllabile, in cui parti importanti dell'algoritmo neurodinamico vengono eseguite attraverso il comportamento fisico stesso del dispositivo.
[Descrizione dell'immagine]
Perché il passo adattivo è importante
I risolutori numerici non usano sempre lo stesso passo temporale.
Quando il sistema modellato cambia lentamente, un passo più grande può essere sufficientemente accurato e ridurre il carico computazionale. Quando il sistema cambia rapidamente, sono necessari passi più piccoli per controllare l'errore.
L'hardware tradizionale calcola, confronta e regola ripetutamente questo passo tramite logica digitale. Il nuovo sistema, invece, codifica il passo di integrazione effettivo nello stato di conduttanza del dispositivo a cambiamento di fase e sfrutta la sua evoluzione fisica controllata durante il processo di ricerca.
Il risultato non è solo che la memoria è più vicina al processore, ma che il dispositivo di memoria partecipa direttamente all'esecuzione dell'algoritmo.
Conduttanza multilivello per il calcolo delle reti neurali
Le reti neurali incorporate richiedono comunque di memorizzare i pesi ed eseguire operazioni matriciali.
Il team di ricerca ha utilizzato stati di conduttanza multilivello programmati con precisione per rappresentare questi pesi in un array denso di memoria a cambiamento di fase. Le moltiplicazioni matrice-vettore possono essere eseguite direttamente nell'array, senza dover caricare ripetutamente i valori in moltiplicatori e sommatori digitali separati.
Combinando la ricerca adattiva del passo e l'inferenza della rete neurale nello stesso sistema fisico, si riducono:
- Letture e scritture in memoria
- Moltiplicazioni digitali
- Addizioni ripetitive
- Accessi alla cache
- Buffer intermedi
- Trasferimento di dati tra calcolo e memoria
Questa progettazione congiunta dispositivo-algoritmo-architettura è la ragione principale per cui il chip riesce a ridurre la latenza mantenendo la precisione della modellazione.
Architettura del chip e specifiche principali
Il chip per sistemi neurodinamici è stato realizzato con processo a 40 nm.
L'area combinata degli array di calcolo in-memory e di deriva del passo è di soli 0,28 mm². Il progetto include anche circuiti di supporto come generatori di impulsi di programmazione, convertitori analogico-digitali, driver e altra logica periferica.
Il chip opera a 50 MHz. Un singolo passo di integrazione utilizza una pipeline a nove stadi, con una latenza di iterazione misurata di 2,12 ms.
[Descrizione dell'immagine]
Specifiche del chip
| Specifica | Valore riportato |
|---|---|
| Processo di fabbricazione | CMOS 40 nm |
| Area combinata ENN-CIM e array di deriva del passo | 0,28 mm² |
| Array di memoria a cambiamento di fase | 147K celle 1T1R |
| Frequenza operativa | 50 MHz |
| Pipeline integrata | 9 stadi |
| Latenza di una singola iterazione | 2,12 ms |
| Durata SET/RESET | 10¹⁰ cicli |
| Resa riportata | Oltre 99,9999% |
L'articolo descrive il sistema come una piattaforma neurodinamica sub-10 millisecondi, con un risultato misurato di 2,12 millisecondi per singola iterazione.
Confronto delle prestazioni con acceleratori esistenti
Il team di ricerca ha confrontato il sistema con hardware specializzato avanzato per sistemi neurodinamici e con una GPU NVIDIA A100 in compiti di modellazione ad alta fedeltà.
Per lo stesso tipo di calcolo neurodinamico, il chip ha presumibilmente ottenuto:
- Velocità da 3,82 a 36,27 volte superiore rispetto agli acceleratori ASIC specializzati all'avanguardia
- Consumo energetico da 11,75 a 24,73 volte inferiore rispetto a questi sistemi ASIC
- Velocità da 50,38 a 478,18 volte superiore rispetto alla GPU NVIDIA A100 nella ricostruzione della superficie corticale
| Confronto | Risultato riportato |
|---|---|
| Velocità vs. ASIC specializzato per sistemi neurodinamici | 3,82–36,27 volte più veloce |
| Consumo energetico vs. ASIC specializzato per sistemi neurodinamici | 11,75–24,73 volte inferiore |
| Velocità vs. NVIDIA A100 (modellazione corticale) | 50,38–478,18 volte più veloce |
Questi dati si riferiscono a compiti e sistemi specifici. Non devono essere interpretati come un'affermazione che questo prototipo sia universalmente più veloce di A100 nei carichi di lavoro AI generici.
L'acceleratore è progettato per uno specifico pattern di calcolo neurodinamico. Il suo vantaggio deriva dalla stretta mappatura delle attività di calcolo sulle caratteristiche dei dispositivi a cambiamento di fase, eliminando la grande quantità di movimento dati richiesta dall'hardware digitale generico.
Ricostruzione della superficie corticale in tempo reale
Il team di ricerca ha utilizzato il chip per ricostruire le superfici corticali di sostanza bianca e grigia, generando mesh tridimensionali.
Il sistema parte da un template chiuso a genere zero e lo evolve attraverso un processo neurodinamico fino alla struttura cerebrale target. Il percorso di integrazione deve rimanere liscio, mantenendo l'invarianza topologica della superficie.
(Qui c'è un'immagine, descrizione sopra)
I risultati riportati mostrano che la superficie corticale generata presenta le seguenti caratteristiche:
- Liscia
- Chiusa
- Topologicamente coerente
- In grado di rappresentare pieghe corticali complesse
- Poco influenzata da auto-intersezioni
- Poco influenzata da artefatti non manifold
I risultati della ricostruzione sono buoni secondo i seguenti parametri di valutazione geometrica:
- Distanza media simmetrica della superficie
- Distanza di Hausdorff
Questi parametri misurano quanto la superficie ricostruita corrisponda alla struttura di riferimento, inclusi lo scostamento medio e gli errori di bordo più estremi.
Perché la coerenza topologica è importante
Un modello di superficie cerebrale non è utile solo perché assomiglia visivamente a un cervello.
Deve anche avere una struttura geometrica valida.
Auto-intersezioni, buchi e regioni non manifold possono portare ad analisi downstream inaffidabili, influenzando misurazioni anatomiche, navigazione, simulazioni e confronti longitudinali o tra pazienti.
L'approccio neurodinamico, deformando continuamente un template valido nella morfologia target, preserva la topologia della superficie originale pur adattandosi a strutture anatomiche complesse, grazie a un processo di evoluzione ben controllato.
Impatto potenziale sulle interfacce cervello-computer
Le future interfacce cervello-computer (BCI) dovranno realizzare molto più del semplice riconoscimento di segnali e dell'attivazione di comandi.
I sistemi avanzati potrebbero richiedere le seguenti capacità:
- Leggere l'attività neurale
- Valutare lo stato cerebrale corrente
- Prevedere l'evoluzione dello stato
- Selezionare la risposta appropriata
- Implementare la regolazione a ciclo chiuso
- Aggiornare il modello in base a nuove misurazioni
Questo processo è altamente sensibile alla latenza. I modelli di stato cerebrale che richiedono un'elaborazione offline prolungata non possono fornire una risposta interattiva reale.
Il calcolo neurodinamico a livello di millisecondi può supportare rappresentazioni dello stato neurale più personalizzate e continuamente aggiornate, con il potenziale di spingere le BCI dalla classificazione di base dei segnali alla modellazione in tempo reale e all'interazione adattiva.
Il risultato attuale è un prototipo di ricerca, non un processore BCI direttamente impiantabile. Sono necessari ulteriori sviluppi in termini di integrazione del sistema, robustezza, validazione medica, packaging, acquisizione dati e approvazione normativa.
Potenziali applicazioni mediche
Lo studio rivela anche prospettive applicative nell'imaging medico e nella neuroscienza computazionale.
Possibili direzioni di sviluppo future includono:
- Gemello digitale cerebrale
- Neuronavigazione intraoperatoria
- Ricostruzione corticale in tempo reale
- Monitoraggio longitudinale della struttura cerebrale
- Supporto alla ricerca sulle malattie neurodegenerative
- Modellazione specifica per paziente
- Sistemi di neuromodulazione a ciclo chiuso
Per condizioni come il morbo di Alzheimer e il Parkinson, sottili cambiamenti nella struttura e funzione cerebrale possono avere significato clinico.
Tecniche di modellazione più rapide consentono a ricercatori o clinici di analizzare questi cambiamenti in modo più interattivo.
Tuttavia, il chip in sé non possiede funzionalità diagnostiche per malattie. Qualsiasi applicazione clinica richiederebbe modelli medici validati, set di dati rappresentativi, studi prospettici, test di sicurezza a livello di sistema e le relative revisioni normative.
Cambiamento di paradigma computazionale guidato dalla fisica
Un articolo di approfondimento pubblicato contemporaneamente sulla rivista Science sottolinea che questa ricerca rappresenta un cambiamento di paradigma verso un calcolo basato sulle proprietà fisiche dei dispositivi.
I progetti digitali tradizionali mirano solitamente a sopprimere i comportamenti analogici, le variazioni dei parametri e la deriva dei dispositivi. Questo progetto ha invece intrapreso una strada diversa, identificando le caratteristiche fisiche dei dispositivi in grado di rappresentare i componenti degli algoritmi target e costruendo sistemi di calcolo attorno a tali caratteristiche.
Questo approccio è particolarmente prezioso nell'era post-Moore, dove la semplice miniaturizzazione dei transistor non è più sostenibile per migliorare costi, consumo energetico e prestazioni.
I nuovi sistemi non si basano più esclusivamente su transistor più piccoli, ma integrano sempre più:
- Architetture specializzate
- Calcolo in-memory
- Elaborazione analogica/mista
- Memorie non volatili emergenti
- Progettazione congiunta algoritmo-hardware
- Integrazione eterogenea
Il chip a memristore a cambiamento di fase è un esempio di questo più ampio filone di ricerca.
Team di ricerca e supporto
Il progetto è stato guidato congiuntamente dal Professor Yang Yuchao dell'Università di Pechino e dal Professor Song Zhitang dell'Istituto di Microsistemi e Tecnologia dell'Informazione di Shanghai dell'Accademia Cinese delle Scienze.
L'articolo su Science indica Lei Kai come primo autore. Il rapporto ufficiale elenca anche altri collaboratori come Tao Yaoyu, Xie Chenchen, Yan Longhao e Zhu Yixin.
Il lavoro è stato sostenuto dai seguenti progetti e istituzioni:
- Progetto del Ricercatore New Cornerstone
- Programma Nazionale Chiave di Ricerca e Sviluppo
- Fondazione Nazionale per le Scienze Naturali della Cina
- Laboratorio Chiave del Guangdong per i Chip di Integrazione Calcolo-Memoria
- Progetto di Ricerca sulle Industrie Chiave di Shenzhen
- Programma di Ricerca Maggiore 2030 dell'Università di Pechino
L'articolo è stato pubblicato su Science, Volume 393, Numero 6806, pagine 105-112, DOI: 10.1126/science.aee6277.
Aspetti non ancora dimostrati dalla ricerca
I risultati della ricerca sono significativi, ma è necessario chiarire alcuni limiti.
Si tratta di un acceleratore specializzato
Il chip è ottimizzato per compiti di sistemi neurodinamici e non deve essere considerato un processore generico intercambiabile con una GPU.
Il prototipo non equivale a un prodotto commerciale
L'articolo mostra un sistema fabbricato e verificato sperimentalmente, ma la produzione su larga scala, l'affidabilità a lungo termine sul campo, i costi di packaging, la toolchain software e la distribuzione produttiva rimangono sfide ingegneristiche indipendenti.
Le applicazioni mediche sono ancora prospettiche
La ricostruzione cerebrale è dimostrativa, ma la diagnosi o l'intervento clinico richiedono una mole molto maggiore di evidenze mediche.
I sistemi analogici e memristivi necessitano di calibrazione
I dispositivi a cambiamento di fase presentano variazioni, deriva, non linearità e sensibilità ambientale. Il significato di questo studio sta nel controllare e sfruttare alcune di queste caratteristiche, non nel dimostrare che tutti i problemi hardware analogici siano stati risolti.
Domande frequenti
Cos'è un sistema neurodinamico?
Un sistema neurodinamico combina reti neurali con equazioni differenziali a tempo continuo, consentendo di simulare l'evoluzione di stati fisici o biologici piuttosto che produrre solo previsioni statiche.
Cos'è un memristore a cambiamento di fase?
Un dispositivo memristivo a cambiamento di fase memorizza informazioni attraverso stati controllabili del materiale, generando diversi livelli di conduttanza. La sua conduttanza può essere programmata, mantenuta e utilizzata direttamente per il calcolo in-memory.
Cosa significa calcolo in-memory controllabile?
Significa che il dispositivo di memoria esegue calcoli utili mentre conserva i dati. In questo chip, la deriva controllabile della conduttanza supporta la ricerca a passo adattivo, mentre la conduttanza multilevel supporta le operazioni di moltiplicazione e accumulo delle reti neurali.
Quanto è veloce il nuovo chip neurodinamico?
Il sistema prototipo riportato completa un'iterazione neurodinamica in 2,12 millisecondi. L'articolo descrive la piattaforma completa come un sistema sub-10 millisecondi.
Questo chip è più veloce di una NVIDIA A100?
Nel compito di ricostruzione della superficie corticale testato dai ricercatori, il sistema è risultato da 50,38 a 478,18 volte più veloce. Si tratta di un confronto per un carico di lavoro specifico, non implica una maggiore potenza nell'intelligenza artificiale generica.
Con quale processo produttivo è stato realizzato il chip?
Il chip neurodinamico è stato fabbricato con un processo CMOS a 40 nanometri. L'area totale della matrice per il calcolo in-memory e la deriva del passo è di 0,28 millimetri quadrati.
Il chip può essere usato ora per le interfacce cervello-computer?
Non ancora come prodotto clinico finito. Questa ricerca fornisce una possibile base hardware per la modellazione dello stato cerebrale in tempo reale in futuro, ma le applicazioni pratiche di interfaccia cervello-computer richiedono ulteriore integrazione di sistema, validazione e lavoro normativo.
Dove sono stati pubblicati i risultati della ricerca?
L'articolo è stato pubblicato sulla rivista Science, con il titolo "Sistema neurodinamico sub-10 millisecondi basato su memristori a cambiamento di fase". Il suo DOI è 10.1126/science.aee6277.
Strumenti correlati
- FreeSurfer: Una suite software open-source ampiamente utilizzata per la ricostruzione della superficie corticale e l'analisi della struttura cerebrale.
- NVIDIA A100 Tensor Core GPU: GPU per data center utilizzata nel rapporto come riferimento di prestazioni per la modellazione corticale.
- SciPy Integrate: Fornisce strumenti di integrazione numerica, mostrando i metodi digitali tradizionali per risolvere sistemi dinamici continui.
- PyTorch: Framework di deep learning comunemente usato per costruire reti neurali incorporate e modelli di equazioni differenziali neurali.
- MONAI: Framework di deep learning open-source per flussi di lavoro di imaging medico e analisi cerebrale.
Collegamenti correlati
- Articolo di ricerca su Science: L'articolo peer-reviewed che descrive il sistema neurodinamico sub-10 millisecondi.
- Annuncio ufficiale della ricerca dell'Università di Pechino: Spiegazione dettagliata del dispositivo, dell'architettura, dei benchmark e della dimostrazione di ricostruzione cerebrale da parte dell'Università di Pechino.
- Articolo di prospettiva su Science: Sfruttare la fisica per il calcolo in-memory: Articolo di prospettiva di accompagnamento sul calcolo in-memory guidato dalla fisica.
- Science Volume 393, Numero 6806: Numero della rivista contenente l'articolo di ricerca e i commenti correlati.
- Scuola di Ingegneria dei Circuiti Integrati dell'Università di Pechino: Informazioni ufficiali sui progetti di ricerca sui circuiti integrati dell'Università di Pechino.
- Istituto di Microsistemi e Tecnologia dell'Informazione di Shanghai, Accademia Cinese delle Scienze: Sito ufficiale dell'istituto CAS coinvolto nella collaborazione.
- Revisione della tecnologia memristiva: Una revisione dei dispositivi memristivi su Science che copre storage, calcolo e sistemi neuromorfi.
Riepilogo
Ricercatori dell'Università di Pechino e dell'Accademia Cinese delle Scienze hanno costruito un sistema neurodinamico su chip utilizzando memristori a cambiamento di fase, realizzando un calcolo in-memory controllabile. Il dispositivo mappa la deriva della conduttanza nella ricerca a passo adattivo per l'integrazione e utilizza la conduttanza multilevel per il calcolo della rete neurale.
Questo chip di prova a 40 nanometri richiede solo 2,12 millisecondi per iterazione, offrendo vantaggi significativi in velocità e consumo energetico rispetto agli acceleratori specializzati esistenti. Nel compito di ricostruzione della superficie corticale, i modelli cerebrali lisci, chiusi e topologicamente coerenti da esso generati hanno mostrato una latenza molto inferiore rispetto alle GPU testate.
Attualmente, il chip è ancora un prototipo di ricerca specializzato e le sue applicazioni in campo medico e nelle interfacce cervello-computer rimangono esplorative. Tuttavia, questa ricerca dimostra che le nuove proprietà fisiche della memoria possono essere utilizzate come risorsa computazionale attiva, non solo come meccanismo di memorizzazione.
Il risultato principale non è semplicemente la costruzione di un chip più veloce, bensì la trasformazione del comportamento di memorizzazione a cambiamento di fase in una componente integrante del calcolo neurodinamico stesso, attraverso una progettazione congiunta di dispositivo e algoritmo.