В сетевом издании Nature группа ученых из Университета Мичигана опубликовала статью, в которой рассказывается о практическом применении первого процессора с массивом программируемых мемристоров.
Напомним, об открытии мемристора первой сообщила компания HP, в 2008 году. Это так называемый четвертый базовый электротехнический элемент в дополнение к хорошо известным резисторам, конденсаторам и катушкам индуктивности. Мемристор представляет собой управляемое электронным образом сопротивление с запоминанием состояния, которое не требует поддержки питанием. Это — аналоговый элемент, который может служить как ячейкой энергонезависимой памяти, так и вентилем (транзистором). Сама HP не смогла наладить производство массивов памяти на мемристорах. Но это не важно, поскольку мемристор — это резистивная память (RRAM или ReRAM), которую не разрабатывает только ленивый.
Поскольку мемристор позволяет одновременно хранить данные в ячейке и выполнять над ними манипуляции, он может стать аналогом цифровых синапсов, а массив мемристоров способен работать подобно головному мозгу без ресурсоемкой пересылки данных из памяти в процессор и обратно. Данную схему в предельно упрощенном виде воспроизвели ученые из Университета Мичигана. Массив из 5800 мемристоров встроили в процессор на архитектуре OpenRISC, связав схемы каналами передачи данных, включая ЦАП и АЦП (данные в ячейках мемристора — аналоговые с массой промежуточных значений между 0 и 1).
Предложенное решение способно параллельно обрабатывать большие массивы данных с использованием меньшего объема аппаратных ресурсов. Это экономит время и потребление электроэнергии. В перспективе подобные платформы с десятками и сотнями тысяч ячеек из мемристоров смогут в сотни раз превзойти по производительности CPU и GPU общего назначения.
В проведенных экспериментах ученые смогли «научить» процессор с мемристорами сходу со стопроцентной точностью распознавать замысловатые буквы греческого алфавита, распознавать изображения с искажениями и с точностью до 94,6% различать злокачественные или доброкачественные раковые образования. В каждом случае набор данных или векторные представления результатов загружались в массив мемристоров, а дальше сравнение новых входящих данных шло с высочайшей скоростью, что сулит, например, перенос нейроморфных вычислений (машинного обучения) из облака в мобильные платформы, сообщает 3dnews.ru.
