В мире представлен первый чип нейродинамической системы на основе фазового мемристора с задержкой в миллисекунды

Введение

Исследователи из Пекинского университета и Шанхайского института микросистем и информационных технологий при Китайской академии наук успешно разработали чип нейродинамической системы на основе фазовых мемристоров.

Результаты этого исследования, опубликованные в журнале Science под названием «Суб-10-миллисекундная нейродинамическая система на основе фазовых мемристоров», представляют схему управления вычислениями в памяти, объединяющую физические свойства устройств с нейродинамическими алгоритмами.

Прототип системы снизил задержку одной итерации нейродинамической системы до 2,12 миллисекунды. В опубликованных экспериментах по сравнению с существующими специализированными ускорителями система значительно повысила скорость и энергоэффективность, а также обеспечила высокоточную реконструкцию поверхности коры головного мозга и генерацию трёхмерных сеток многообразий.

Долгосрочное узкое место в вычислениях реального времени

Нейродинамические системы объединяют выразительность нейронных сетей с механизмом непрерывной эволюции дифференциальных уравнений.

Это делает такие системы пригодными для задач, требующих моделирования физических систем, изменяющихся во времени, включая:

• Моделирование физического мира
• Вычислительную визуализацию
• Трёхмерную геометрическую реконструкцию
• Моделирование состояния мозга
• Научное моделирование
• Замкнутое управление

Однако вычислительные требования таких систем чрезвычайно высоки. Решение нейродинамических моделей обычно требует многократного численного интегрирования, оценки ошибок и поиска адаптивного шага. Каждая итерация может включать несколько оценок нейронной сети и частую передачу промежуточных данных между памятью и вычислительными блоками.

В традиционной архитектуре фон Неймана память и вычисления физически разделены. Данные многократно передаются между памятью, кэшем и арифметическими блоками в процессе вычислений. Эта передача данных сама по себе потребляет время и энергию, иногда превышая затраты на сами математические операции.

На протяжении почти полувека ключевая проблема оставалась нерешённой: как нейродинамические системы могут одновременно обеспечивать точное непрерывное моделирование и низкую задержку, необходимую для приложений реального времени?

Схема управления вычислениями в памяти

Исследовательская группа использовала два программируемых свойства фазовых мемристорных устройств для решения вышеуказанной проблемы:

1. Дрейф проводимости — предсказуемое изменение во времени
2. Многоуровневая проводимость — отдельное устройство может представлять несколько стабильных уровней весов

Исследователи не рассматривали эти физические эффекты просто как дефекты, требующие коррекции, а напрямую отображали их в полезные вычислительные операции.

Дрейф проводимости используется для реализации поиска адаптивного шага интегрирования in situ.

Многоуровневые состояния проводимости используются для операций умножения и накопления внутри массива памяти.

Это создаёт управляемую систему вычислений в памяти, где важные части нейродинамического алгоритма выполняются через физическое поведение самих устройств.

[Описание изображения]

Почему важен адаптивный шаг

Численные решатели не всегда используют одинаковый временной шаг.

Когда моделируемая система изменяется медленно, большой шаг может быть достаточно точным и уменьшить объём вычислений. Когда система изменяется быстро, требуется меньший шаг для контроля ошибок.

Традиционное оборудование с помощью цифровой логики многократно вычисляет, сравнивает и корректирует этот шаг. Новая система кодирует эффективный шаг интегрирования как состояние проводимости фазового устройства и использует его контролируемую физическую эволюцию в процессе поиска.

Результат заключается не просто в том, что память стала ближе к процессору, а в том, что устройства памяти напрямую участвуют в выполнении алгоритма.

Многоуровневая проводимость для вычислений нейронных сетей

Встроенные нейронные сети по-прежнему требуют хранения весов и выполнения матричных операций.

Исследовательская группа использовала точно запрограммированные многоуровневые состояния проводимости для представления этих весов в плотном массиве фазовой памяти. Умножение матрицы на вектор может выполняться непосредственно в массиве без многократной загрузки чисел в отдельные цифровые умножители и сумматоры.

Объединение поиска адаптивного шага и вывода нейронной сети в одной физической системе позволяет уменьшить:

• Чтение и запись в память
• Цифровое умножение
• Повторное сложение
• Доступ к кэшу
• Промежуточную буферизацию
• Передачу данных между вычислениями и памятью

Этот совместный дизайн устройства, алгоритма и архитектуры является основной причиной, по которой чип может снижать задержку, сохраняя точность моделирования.

Архитектура чипа и ключевые характеристики

Чип нейродинамической системы изготовлен по 40-нм технологии.

Общая площадь массива вычислений в памяти и массива дрейфа шага составляет всего 0,28 мм². Конструкция также включает поддерживающие схемы, такие как генератор импульсов программирования, аналого-цифровые преобразователи, драйверы и другую периферийную логику.

Чип работает на частоте 50 МГц. Один шаг интегрирования выполняется по девятиуровневому конвейеру, измеренная задержка итерации составляет 2,12 мс.

[Описание изображения]

Технические характеристики чипа

Параметр	Значение
Технология	40 нм КМОП
Площадь комбинированного массива ENN-CIM и дрейфа шага	0,28 мм²
Массив фазовой памяти	147K ячеек 1T1R
Рабочая частота	50 МГц
Интегрированный конвейер	9 уровней
Задержка одной итерации	2,12 мс
Устойчивость SET/RESET	10¹⁰ циклов
Сообщаемый выход годных	более 99,9999%

В статье система описывается как суб-10-миллисекундная нейродинамическая платформа, а измеренный результат одной итерации составляет 2,12 миллисекунды.

Сравнение производительности с существующими ускорителями

Исследовательская группа сравнила систему с передовыми специализированными аппаратными средствами для нейродинамических систем и графическим процессором NVIDIA A100 в задачах высокоточного моделирования.

Для одного и того же класса нейродинамических вычислений сообщается, что чип достигает:

• Скорость в 3,82–36,27 раза выше, чем у самых современных специализированных ASIC-ускорителей
• Энергопотребление в 11,75–24,73 раза ниже, чем у этих ASIC-систем
• Скорость в 50,38–478,18 раза выше, чем у NVIDIA A100 в задаче реконструкции поверхности коры

Сравнение	Сообщаемый результат
Скорость vs. специализированные ASIC для нейродинамических систем	В 3,82–36,27 раза быстрее
Энергопотребление vs. специализированные ASIC для нейродинамических систем	В 11,75–24,73 раза ниже
Скорость vs. NVIDIA A100 (моделирование коры)	В 50,38–478,18 раза быстрее

Эти данные относятся к конкретным задачам и системам. Их не следует интерпретировать как утверждение, что данный прототип в целом быстрее A100 в универсальных рабочих нагрузках ИИ.

Ускоритель спроектирован для определённого класса нейродинамических вычислений. Его преимущество обусловлено тесным отображением вычислительных задач на характеристики фазовых устройств и устранением значительного объёма перемещения данных, необходимого для универсальных цифровых аппаратных средств.

Реконструкция поверхности коры в реальном времени

Исследовательская группа использовала чип для реконструкции поверхностей белого и серого вещества коры и генерации трёхмерных сеток многообразий.

Система начинается с замкнутого шаблона нулевого рода и эволюционирует к целевой структуре мозга через нейродинамический процесс. Путь интегрирования должен оставаться гладким, сохраняя топологическую инвариантность поверхности.

(Здесь изображение, описание см. выше)

Сообщаемые результаты показывают, что сгенерированные поверхности коры обладают следующими свойствами:

• Гладкость
• Замкнутость
• Топологическая согласованность
• Способность представлять сложные извилины коры
• Меньшее влияние самопересечений
• Меньшее влияние немногообразных артефактов

Результаты реконструкции показали хорошие показатели по следующим геометрическим критериям оценки:

• Среднее симметричное расстояние поверхности
• Расстояние Хаусдорфа

Эти показатели измеряют, насколько хорошо реконструированная поверхность соответствует эталонной структуре, включая среднее отклонение и более экстремальные граничные ошибки.

Почему важна топологическая согласованность

Модели поверхности мозга полезны не только потому, что внешне похожи на мозг.

Они также должны иметь корректную геометрическую структуру.

Самопересечения, полости и немногообразные области могут привести к ненадёжному анализу в дальнейшем, влияя на анатомические измерения, навигацию, моделирование и сравнительный анализ между временными точками или пациентами.

Нейродинамический подход, постоянно деформируя валидный шаблон к целевой форме при хорошо контролируемом процессе эволюции, позволяет сохранить топологию исходной поверхности, одновременно адаптируясь к сложным анатомическим структурам.

Потенциальное влияние на интерфейсы мозг-компьютер

Будущие интерфейсы мозг-компьютер (BCI) должны выполнять гораздо больше, чем просто распознавание сигналов и запуск команд.

Передовые системы могут потребовать следующих способностей:

1. Считывание нейронной активности
2. Оценка текущего состояния мозга
3. Прогнозирование тенденций эволюции состояния
4. Выбор подходящего ответа
5. Реализация замкнутой обратной связи
6. Обновление модели на основе новых измерений

Этот процесс очень чувствителен к задержке. Модели состояния мозга, требующие длительной автономной обработки, не могут обеспечить настоящий интерактивный отклик.

Миллисекундные нейродинамические вычисления могут поддерживать более персонализированные и постоянно обновляемые представления нейронного состояния, что потенциально способствует продвижению BCI от базовой классификации сигналов к моделированию в реальном времени и адаптивному взаимодействию.

Текущий результат является исследовательским прототипом, а не готовым к имплантации процессором для BCI. Дальнейшие разработки потребуются в области системной интеграции, надёжности, медицинской валидации, упаковочных технологий, сбора данных и регуляторного одобрения.

Потенциальные направления медицинского применения

Исследование также раскрывает перспективы применения в области медицинской визуализации и вычислительной нейронауки.

Возможные будущие направления включают:

• Цифровые двойники мозга
• Интраоперационная нейронавигация
• Реконструкция коры в реальном времени
• Продольный мониторинг структуры мозга
• Вспомогательные исследования нейродегенеративных заболеваний
• Персонализированное моделирование пациентов
• Замкнутые системы нейромодуляции

Для таких заболеваний, как болезнь Альцгеймера и Паркинсона, тонкие изменения структуры и функции мозга могут иметь клиническое значение.

Более быстрые методы моделирования позволяют исследователям или клиницистам анализировать эти изменения в более интерактивном режиме.

Однако сам чип не обладает функциями диагностики заболеваний. Любое клиническое применение требует проверенных медицинских моделей, репрезентативных наборов данных, проспективных исследований, системных тестов безопасности и соответствующего нормативного контроля.

Смена парадигмы вычислений на основе физических процессов

В сопутствующей статье, опубликованной в журнале Science, отмечается, что данное исследование представляет собой смену парадигмы в сторону вычислений, основанных на физических свойствах устройств.

Традиционные цифровые проекты обычно направлены на подавление аналогового поведения, вариативности параметров и дрейфа устройств. Данный проект пошёл другим путём, выявляя физические характеристики устройств, которые могут представлять компоненты целевых алгоритмов, и строя вычислительные системы вокруг этих характеристик.

Такой подход особенно ценен в постмуровскую эпоху, когда простое уменьшение транзисторов уже не позволяет устойчиво улучшать показатели стоимости, энергопотребления и производительности.

Новые системы всё чаще полагаются не только на меньшие транзисторы, но и на интеграцию:

• Специализированных архитектур
• Вычислений в памяти
• Аналоговой/смешанной обработки сигналов
• Новых

энергонезависимых запоминающих устройств

• Совместного проектирования алгоритмов и аппаратуры
• Гетерогенной интеграции

Чип на фазовых мемристорах является лишь одним из примеров этого более широкого направления исследований.

Исследовательская группа и поддержка

Проект возглавляли команды профессора Ян Юйчао из Пекинского университета и исследователя Сун Чжитана из Шанхайского института микросистем и информационных технологий Китайской академии наук.

В статье журнала Science указано, что первым автором является Лэй Кай. В официальном отчёте также упоминаются соавторы, участвовавшие в исследовании: Тао Яоюй, Се Чэньчэнь, Янь Лунхао, Чжу Исинь и другие.

Работа получила поддержку следующих проектов и организаций:

• Программа исследователей New Cornerstone
• Национальная ключевая программа исследований и разработок
• Национальный фонд естественных наук Китая
• Ключевая лаборатория чипов для объединённых вычислений и памяти провинции Гуандун
• Исследовательский проект ключевых отраслей Шэньчжэня
• Крупный исследовательский план Пекинского университета до 2030 года

Статья опубликована в журнале Science, том 393, выпуск 6806, страницы 105–112, DOI: 10.1126/science.aee6277.

Аспекты, ещё не подтверждённые исследованием

Результаты исследования значительны, однако необходимо указать на определённые ограничения.

Это специализированный ускоритель

Чип оптимизирован для задач, связанных с нейродинамическими системами, и его не следует рассматривать как взаимозаменяемый с GPU универсальный процессор.

Прототип не равен коммерческому продукту

В статье представлена система, изготовленная и экспериментально проверенная, но масштабирование производства, долгосрочная надёжность в полевых условиях, стоимость упаковки, цепочка программных инструментов и развёртывание остаются самостоятельными инженерными задачами.

Медицинское применение относится к перспективным направлениям

Хотя реконструкция мозга носит демонстрационный характер, для клинической диагностики или вмешательства требуется гораздо больше медицинских доказательств.

Аналоговые и мемристорные системы требуют калибровки

Фазовые устройства подвержены вариативности, дрейфу, нелинейности и чувствительности к окружающей среде. Значимость данного исследования заключается в контроле и использовании некоторых из этих свойств, а не в доказательстве того, что все проблемы аналогового аппаратного обеспечения решены.

Часто задаваемые вопросы

Что такое нейродинамическая система?

Нейродинамическая система объединяет нейронные сети с непрерывными дифференциальными уравнениями, что позволяет моделировать эволюцию физических или биологических состояний, а не просто выдавать статические предсказания.

Что такое фазовый мемристор?

Фазовые мемристорные устройства хранят информацию путём изменения управляемого состояния материала, генерируя различные уровни проводимости. Их проводимость может быть запрограммирована, сохранена и непосредственно использована для вычислений в памяти.

Что подразумевается под управляемыми вычислениями в памяти?

Это означает, что запоминающее устройство выполняет полезные вычисления, одновременно сохраняя данные. В данном чипе управляемый дрейф проводимости поддерживает поиск с адаптивным шагом, а многоуровневая проводимость — операции умножения и накопления для нейронных сетей.

Насколько быстр новый нейродинамический чип?

Сообщается, что прототип системы выполняет одну нейродинамическую итерацию за 2,12 миллисекунды. В статье полная платформа описывается как система с временем менее 10 миллисекунд.

Быстрее ли этот чип,

чем NVIDIA A100?

В задаче реконструкции поверхности коры головного мозга, протестированной исследователями, система оказалась быстрее, по сообщениям, в 50,38–478,18 раза. Это сравнение для конкретной рабочей нагрузки и не означает превосходства в производительности общего искусственного интеллекта.

По какой технологии изготовлен чип?

Нейродинамический чип изготовлен по 40-нанометровому КМОП-техпроцессу. Общая площадь его массивов для вычислений в памяти и дрейфа шага составляет 0,28 квадратных миллиметра.

Можно ли сейчас использовать этот чип для интерфейсов мозг-компьютер?

Пока нет, как готовый клинический продукт. Данное исследование закладывает возможную аппаратную основу для будущего моделирования состояния мозга в реальном времени, но практическое применение интерфейсов мозг-компьютер потребует дальнейшей системной интеграции, валидации и нормативной работы.

Где опубликованы результаты исследования?

Статья опубликована в журнале Science под названием «Суб-10-миллисекундная нейродинамическая система на основе фазовых мемристоров». Её DOI: 10.1126/science.aee6277.

Связанные инструменты

• FreeSurfer: Широко используемый набор программ с открытым исходным кодом для реконструкции поверхности коры и анализа структуры мозга.
• NVIDIA A100 Tensor Core GPU: Дата-центровый GPU, использованный в отчёте в качестве эталона производительности для моделирования коры.
• SciPy Integrate: Предоставляет инструменты для численного интегрирования, демонстрируя традиционные цифровые методы решения непрерывных динамических систем.
• PyTorch: Фреймворк глубокого обучения, часто используемый для построения встраиваемых нейронных сетей и моделей нейронных дифференциальных уравнений.
• MONAI: Фреймворк глубокого обучения с открытым исходным кодом для рабочих процессов медицинской визуализации и анализа мозга.

Связанные ссылки

• Исследовательская статья в Science: Рецензируемая статья, описывающая суб-10-миллисекундную нейродинамическую систему.
• Официальное объявление об исследовании Пекинского университета: Подробное объяснение устройства, архитектуры, тестов и демонстрации реконструкции мозга от Пекинского университета.
• Перспективная статья в Science: Использование физики для вычислений в памяти: Сопутствующая статья о перспективах физически-обусловленных вычислений в памяти.
• Выпуск Science, том 393, № 6806: Номер журнала, содержащий исследовательскую статью и связанные комментарии.
• Школа интегральных схем Пекинского университета: Официальная информация об исследовательских проектах в области интегральных схем Пекинского университета.
• Шанхайский институт микросистем и информационных технологий Китайской академии наук: Веб-сайт участвовавшего института Китайской академии наук.
• Обзор мемристорных технологий: Обзор мемристорных устройств в журнале Science, охватывающий память, вычисления и нейроморфные системы.

Резюме

Исследователи из Пекинского университета и Китайской академии наук создали нейродинамический

системный чип на фазовых мемристорах, реализующий управляемые вычисления в памяти. Устройство отображает дрейф проводимости в поиск с адаптивным шагом интегрирования и использует многоуровневую проводимость для нейросетевых вычислений.

Этот образец, изготовленный по 40-нм техпроцессу, требует всего 2,12 миллисекунды на итерацию, демонстрируя значительные преимущества в скорости и энергопотреблении по сравнению с существующими специализированными ускорителями. В задаче реконструкции поверхности коры он генерировал гладкие, замкнутые и топологически согласованные модели мозга с задержкой, намного меньшей, чем у протестированных GPU.

В настоящее время этот чип остаётся специализированным исследовательским прототипом, его применение в медицине и интерфейсах мозг-компьютер относится к перспективным изысканиям. Однако данное исследование доказывает: новые физические свойства памяти могут использоваться как активный вычислительный ресурс, а не просто как механизм хранения.

Ключевой прорыв заключается не просто в создании более быстрого чипа — а в превращении фазового поведения памяти в неотъемлемую часть самих нейродинамических вычислений за счёт совместного проектирования устройств и алгоритмов.