پردازش درون حافظه ممریستوری و رایانش آنالوگ هوش مصنوعی
پایان دوران انتقال پرهزینه داده‌ها بین تراشه و رم؛ ممریستورهای دوران معاصر محاسبات هوش مصنوعی را مستقیماً درون مقاومت‌های نانومتری حافظه با قوانین بنیادی فیزیک و مصرف برقی در حد یک لامپ انجام می‌دهند.
- تحلیل فنی، جامع و عمیق گذار تاریخی معماری پردازنده‌های مدرن امروزه با ظهور شتاب‌دهنده‌های آنالوگ درون حافظه مبتنی بر ممریستور و حافظه‌های مقاومتی (ReRAM / Memristive Crossbar Arrays). واکاوی پایان بن‌بست فون‌نیومن (Von Neumann Bottleneck) و فاجعه جابه‌جایی میلیاردها بایت داده میان رم و واحدهای محاسباتی که عامل اصلی داغ شدن دیتاسنترهاست؛ تشریح چگونگی اجرای ضرب بردار در ماتریس (VMM) در دامنه آنالوگ فیزیکی با بهره‌گیری مستقیم از قانون اهم (V=IR) و قانون جریان کریشهف (KCL) بر روی مقاومت‌های نانومتری اکسید تیتانیوم و هافنیوم. بررسی پلتفرم‌های انقلابی نظیر Mythic AMP V2 و IBM Analog AI Core با ثبت رکورد راندمان انرژی فراتر از ۵۰ ترافلاپس بر وات، پردازش فوق‌سریع مدل‌های چندصد میلیارد پارامتری در لبه شبکه و چشم‌انداز بازنشستگی تدریجی جی‌پی‌یوهای سنتی.
- بررسی جامع ابعاد فنی و کاربردی توسط تحریریه ماگ بیت.
- پیش‌بینی اثرات کوتاه‌مدت و بلندمدت بر اکوسیستم فناوری.
دیوار حافظه فون‌نیومن؛ چرا سوپرکامپیوترهای دیجیتال در حال خفه شدن در مصرف برق هستند؟
برای بیش از هشت دهه، معماری کامپیوترها بر پایه طرح مشهور جان فون‌نیومن عمل کرده است: تفکیک فیزیکی واحد پردازش محاسباتی (CPU/GPU) از واحد حافظه ذخیره‌سازی (RAM/HBM). در این ساختار، برای هر عملیات محاسباتی کوچک، داده‌ها باید از طریق گذرگاه‌های مسی به داخل پردازنده منتقل شده، محاسبه شوند و مجدداً در حافظه نوشته شوند. در عصر مدل‌های زبانی با صدها میلیارد وزن، این جابه‌جایی پیوسته داده به ایجاد فاجعه‌ای موسوم به «دیوار حافظه» (Memory Wall) منجر شده است.
آمارهای فنی امروزه نشان می‌دهد که در خوشه‌های مدرن آموزش و استنتاج هوش مصنوعی، بیش از ۹۰ درصد کل انرژی الکتریکی مصرفی نه صرف ضرب اعداد، بلکه صرف شارژ و دشارژ خازن‌های باس‌های مسی حین سفر الکترون‌ها میان حافظه HBM و ترانزیستورهای هسته سیلیکونی می‌شود. این اتلاف حرارتی سهمگین، دیتاسنترها را به مصرف‌کنندگان مگاواتی برق و منابع اصلی انتشار حرارت در سیاره مبدل ساخته است.
همان‌گونه که در بررسی پردازنده‌های نورومورفیک و شبکه‌های عصبی ضربه‌ای SNN در لبه تحلیل شد، مغز انسان با مصرف تنها ۲۰ وات توان، پیچیده‌ترین استدلال‌ها را مدیریت می‌کند، چرا که در نورون‌های بیولوژیکی، پردازش و حافظه دقیقاً در یک ساختار سیناپسی ادغام شده‌اند. ممریستورهای دوران معاصر سرانجام این شاهکار زیستی را به تراشه‌های سیلیکونی آورده‌اند.
آرایه‌های کراس‌بار ممریستور؛ محاسبه ضرب ماتریسی در دامنه آنالوگ فیزیکی
ممریستور (Memristor)—عنصر مداری چهارم که مقاومت الکتریکی آن با میزان بار عبوری تغییر کرده و مقدار خود را پس از قطع جریان حفظ می‌کند—بلوک سازنده پردازش درون حافظه (In-Memory Computing - IMC) است. در تراشه‌های دوران معاصر میلیون‌ها سلول ReRAM بر پایه لایه‌های نازک اکسید هافنیوم در تقاطع آرایه‌های سیمی عمودی و افقی (Crossbar Arrays) سازماندهی شده‌اند.
هنگامی که یک عملیات ضرب بردار در ماتریس (VMM)—که هسته بیش از ۹۵ درصد محاسبات شبکه‌های عصبی است—باید اجرا شود، وزن‌های ماتریسی به شکل رسانایی الکتریکی (G) در محل تقاطع سیم‌ها برنامه‌ریزی می‌شوند. سپس بردار ورودی به عنوان پالس‌های ولتاژ (V) به خطوط سطری تزریق می‌گردد. طبق قانون اهم، جریان عبوری از هر گره برابر حاصل‌ضرب ولتاژ در رسانایی است (I = V × G).
سپس بر اساس قانون جریان کریشهف (KCL)، تمام جریان‌های سیمی به طور خودکار در خطوط ستونی جمع می‌شوند (∑I). بدین ترتیب، ضرب کامل یک ماتریس بزرگ بدون جابه‌جا شدن حتی یک بایت داده و در یک گام زمانی نانوثانیه‌ای در دامنه فیزیکی انجام می‌پذیرد؛ معجزه‌ای سخت‌افزاری که همانند پیشرفت‌های شتاب‌دهنده‌های سخت‌افزاری رمزنگاری هم‌ریختی FHE در محاسبات ابری، توان پردازش را بدون افت کارایی آزاد می‌سازد.
غلبه بر نویز آنالوگ و دستیابی به راندمان خارق‌العاده ۵۰ ترافلاپس بر وات
بزرگ‌ترین چالشی که محاسبات آنالوگ را دهه‌ها از جریان اصلی کامپیوترها دور نگه داشته بود، نویز حرارتی، تلرانس‌های ساخت نانومتری و خطای تبدیل سیگنال‌های آنالوگ به دیجیتال (ADC/DAC) بود. امروزه پلتفرم‌های پیشرو با ادغام تکنیک‌های آموزش آگاه از سخت‌افزار (Hardware-Aware Quantization) و مدارهای مبدل آنالوگ به دیجیتال فوق‌کم‌مصرف متوالی (SAR-ADCs)، بر این موانع غلبه کرده‌اند.
تراشه‌های تجاری نظیر Mythic AMP V2 و شتاب‌دهنده‌های درون حافظه IBM اکنون مدل‌های هوش مصنوعی را با دقتی معادل ممیز شناور ۱۶ بیتی دیجیتال اجرا می‌کنند، در حالی که راندمان مصرف انرژی آن‌ها به رقم باورنکردنی ۵۵ تا ۷۰ ترافلاپس بر وات (TOPS/W) رسیده است. این یعنی کاهش ۹۵ درصدی مصرف انرژی در مقایسه با پیشرفته‌ترین پردازنده‌های گرافیکی تجاری دوران معاصر.
همان‌طور که در واکاوی دیتابیس‌های گراف-بردار تلفیقی و معماری GraphRAG سازمانی بررسی کردیم، پردازش سریع و ارزان بردارها ستون فقرات سامانه‌های اطلاعاتی نوین است و تراشه‌های ممریستوری با ارائه سرعت بی‌نهایت در تحلیل امبدینگ‌ها، گلوگاه‌های زیرساختی سازمان‌ها را برطرف ساخته‌اند.
انفجار هوش مصنوعی در تجهیزات لبه، پهپادهای خودران و دیتاسنترهای ۲۰۲۷
آثار دگرگون‌کننده پردازش درون حافظه امروزه در تمام بخش‌های صنعت نمایان شده است. پهپادهای شناسایی و ربات‌های خودمختار که پیش از این برای اجرای مدل‌های بینایی نیازمند ارسال استریم ویدیو به سرورهای ابری بودند، اکنون با تراشه‌های چندواتی ممریستور، مدل‌های بینایی-زبانی بزرگ را مستقیماً بر روی برد داخلی خود با تاخیر کمتر از ۲ میلی‌ثانیه اجرا می‌کنند.
در تلفن‌های هوشمند و گجت‌های پوشیدنی، قابلیت‌های استدلال و کدنویسی محلی بدون مصرف باتری و بدون نیاز به اینترنت میسر شده است. از سوی دیگر، در مراکز داده عظیم ابری، شرکت‌های فناوری شروع به جایگزینی بخش عمده‌ای از خوشه‌های استنتاجی با بردهای شتاب‌دهنده ممریستور کرده‌اند؛ اقدامی که نیاز به خنک‌کننده‌های غول‌آسا را به حداقل رسانده است.
کارشناسان برجسته معماری نیمه‌هادی پیش‌بینی می‌کنند که در سال ۲۰۲۷، ممریستورها جایگاه خود را به عنوان استاندارد بلامنازع پردازش استنتاجی در هوش مصنوعی تثبیت خواهند کرد و کامپیوترهای جهان پس از یک قرن تبعیت از معماری فون‌نیومن، رسماً به دوران رنسانس رایانش آنالوگ گام خواهند نهاد.
بیشتر از فناوری
