超越冯·诺依曼:摩尔定律和从近记忆向记忆计算的转变

在思考我的上一篇博客,如果能解释一下冯·诺依曼的计算是什么,也许会更好,在讨论超越它的东西之前。然而,a bit of background on Moore's Law is in order first.

We've made tremendous progress as an industry in decreasing the size,cost and power requirements of chips concurrently throughMoore's Lawscaling.从1956年到第一大学(1,125千瓦每秒900次浮点运算)和当今的超级计算机(维基百科引用里肯6673.8mFlops/watt的测试)。we've decreased the power cost of a floating-point operation by roughly a factor of 400 billion—that's a difficult number to grasp.把这个放在透视图上,let's consider another performance-per-power analogy,specifically mileage-per-gallon: if we started from a baseline of 15 mpg with the Model T and improved this by a factor of 400 billion,cars could go 6 trillion miles on a gallon,它大约是一光年或距离最近恒星四分之一的距离,或者有足够的气体往返冥王星500多次。汽车的价格也不到一分钱。

从扩展(或使事物更小成本,因为它使用更少的硅和更少的功率来实现相同的性能)中获得的电力成本性能的三重胜利使得业界对破坏传统的von neumann计算范式的依赖性降低。冯诺依曼计算,在它的中心,是关于获取输入数据,并将其在存储位置的内存和按时钟节奏操作的逻辑之间移动。所有数据都存储在内存中,然后传输到计算引擎。Shuttling around all this data carries with it a significant power and performance tax that's largely been masked due to the astounding progress made through Moore's Law scaling.Additionally,如果我们想到冯·诺依曼时钟滴答或计算周期,the physical movement of the data takes more energy and compute cycles than the actual computation. The separation of memory and logic is core to the Von Neumann paradigm,but biology figured out a better way—doing the compute in memory.

当您查看GPU或CPU的最新产品描述时,很明显,重点和市场营销是在本地或芯片上集成了多少内存。如果芯片能够在必须通过主板将数据发送回DRAM或非易失性存储之前在本地或芯片上循环几次,那么它们的工作速度更快,性能更好。有许多聪明的方法来提高冯·诺依曼范式的能量效率,所有这些都涉及到接近记忆”-使内存元素更接近逻辑元素。将不同的芯片包装在一起在很近的距离内,在模具上放置更多的内存是应用材料也积极参与支持的向量。betwayapp

虽然业界在提高计算的能效方面取得了很大进展,生物学已经设计出一种更节能的策略;在大脑中,we store data in the same place where we do the compute.我被告知,我们要么检查一个典型的突触/神经元的权重,要么调整它的值,所有这些都并行工作,以驱动生物逻辑。这远比在两个离散的环境中不断地来回移动东西更有效率。

Ultimately,the goal of我们由DARPA资助的项目作为电子复兴计划(ERI) is to take systems beyond the Von Neumann architecture to"in-memory compute."通过将相关电子元件编程为离散电阻值和状态,然后用不同的权重将这些元素卷积在一起,我们就可以建立一个近似于突触和神经元的系统。如果我们把内存元素组织成一个数组,我们就可以对它们进行编程,利用合适的工程材料获得不同的电阻值。在这种安排中,我们可以组织许多权重值(基于元素的电阻),并通过数组将它们相互关联。这使我们更接近生物系统的效率。

在很多方面,the challenge isn't in developing the paradigm;它是在开发能够实现范式的材料。应用材料正在追求通过材料创新实现神经形态计算的多个向量betwayapp。with our correlated electron work being one of the many materials-enabled approaches.

自从我上次更新您,the team has been doing great work diligently preparing upwards of 1,800种不同成分的不同样品,在大不列颠哥伦比亚大学的合作者对评估电气特性和探索方向的帮助下,the University of Colorado Boulder,Arm and Symetrix.我们将在项目的第二阶段缩小到一个特定的材料系统,我期待在接下来的几个月里再次向您更新我们的进展。

在收件箱中接收更新!!

Subscribe Now

想参加讨论吗??

Add new comment:*

*评论必须符合我们的Discussion Guidelines and Rules of Engagement.

你也可以填写这个形式直接联系我们,我们会回复您。