Nueva matriz de barras cruzadas para aplicaciones de computación en memoria

  • Noticias y Actualidad

Investigadores surcoreanos y estadounidenses han desarrollado una nueva memoria magnetorresistiva basada en una matriz de barras cruzadas, especialmente diseñada para las aplicaciones de computación en memoria. Esta tecnología permitiría, por ejemplo, implementar una sola capa en una red neuronal de 10 capas para afinar al máximo la precisión de la detección de rostros.

La computación en memoria pretende resolver los desafíos de las redes neuronales, donde la inteligencia artificial está descentralizada. Este tipo de memoria será capaz de realizar operaciones de cálculo internamente, reduciendo las cargas de trabajo del procesador y acelerando la obtención de resultados. El mundo académico está trabajando en diferentes líneas para desarrollar dispositivos de memoria con estas capacidades, y uno de los candidatos es la memoria magnetorresistiva.

Ahora, un nutrido equipo de investigadores del Instituto Avanzado de Tecnología de la compañía Samsung, en colaboración con la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson, perteneciente a la Universidad de Harvard, ha presentado una nueva tecnología de memoria magnetorresistiva enfocada especialmente a las aplicaciones de computación en memoria.

En el artículo técnico que han publicado en la revista Nature explican que la computación en memoria basada en matrices de barras cruzadas de memoria no volátil puede ejecutar de forma análoga las operaciones de multiplicación y acumulación que se utilizan en las redes neuronales artificiales. Diferentes tipos de memoria no volátil pueden ofrecer estas capacidades, tanto la memoria resistiva como la de cambio de fase y la memoria flash.

Estos expertos se han enfocado en el desarrollo de una matriz de barras cruzadas de memoria magnetorresistiva de acceso aleatorio (MRAM), un campo que presenta muchos desafíos, a pesar de que proporciona importantes ventajas, como la robustez y la posibilidad de una comercialización a gran escala. Los problemas que consideran más importantes para lograrlo provienen de la baja resistencia de la MRAM, que con las arquitecturas propuestas hasta ahora da como resultado un gran consumo. Esto se debe a la suma de corriente que se realiza para llevar a cabo las operaciones analógicas de multiplicación y suma.

Para resolver este problema de baja resistencia han desarrollado una matriz de barras transversales de 64x64 basadas en celdas de memoria MRAM, cuya arquitectura utiliza la suma de resistencias para estas operaciones analógicas. La matriz estaría integrada con electrónica de lectura basada en tecnología de semiconductores de óxido metálico de 28 nanómetros.

Para evaluar las capacidades de su concepto han implementado un perceptrón de dos capas para clasificar 10.000 dígitos modificados del Instituto Nacional de Estándares y Tecnología. Con ello han logrado alcanzar una precisión del 93,23% en los cálculos, sobre la base de referencia del software situada en un 95,24%. Y emulando una red neuronal profunda Visual Geometry Group-8 han logrado una precisión del 98,86% (base de referencia en el 99,28%). Y pensando en un caso de uso muy concreto, como la detección de rostros en imágenes, han conseguido elevar la precisión de la red neuronal en la identificación hasta un 93,4%.

Más información

¿Cuál es el futuro del mercado de almacenamiento? ¿Qué tecologías son las más adecuadas? Si quieres obtener más información sobre un segmento en crecimiento puedes visitar la página de nuestro colaborador Synology