Uchanganuzi wa Kudumu wa Kuegemea wa Kompyuta za Akili Bandia zenye Kumbukumbu Isiyo-Yabadilika

Yaliyomo

1. Utangulizi

Kompyuta za akili bandia zenye kumbukumbu isiyo-yabadilika (NVM) zinawakilisha mabadiliko makubwa katika vifaa vya ujifunzaji wa mashine, zikiutoa uboreshaji mkubwa katika utendaji na ufanisi wa nishati kwa hesabu za msingi wa spike. Hata hivyo, voltage kubwa zinazohitajika kuendesha NVM kama kumbukumbu ya mabadiliko-hali (PCM) huharakisha kuzeeka kwa saketi za neva za CMOS, zikihatarisha kudumu kuegemea kwa vifaa vya akili bandia.

Kazi hii inashughulikia changamoto kubwa ya kudumu kuegemea katika mifumo ya akili bandia, ikilenga mbinu za kushindwa kama vile kutotuliana kwa joto la upendeleo hasi (NBTI) na kuvunjika kwa dielectric kulingana na wakati (TDDB). Tunaonyesha jinsi maamuzi ya muundo wa kiwango cha mfumo, hasa mbinu za kupumzisha mara kwa mara, zinaweza kuunda usawazishaji muhimu kati ya kuegemea na utendaji katika matumizi ya kisasa ya ujifunzaji wa mashine.

2. Kuunda Mfano wa Kuegemea kwa Vitanzi-vya-msalaba

2.1 Matatizo ya NBTI katika Kompyuta za Akili Bandia

Kutotuliana kwa Joto la Upendeleo Hasi (NBTI) hufanyika wakati malipo chanya yanapokaa kwenye mpaka wa oksidi-semiconductor chini ya mlango wa vifaa vya CMOS katika saketi za neva. Jambo hili linaonekana kama kupungua kwa mkondo wa teso na ushindani wa mkondo, pamoja na kuongezeka kwa mkondo wa kuzima na voltage ya kizingiti.

Maisha ya kifaa cha CMOS kutokana na NBTI hupimwa kwa kutumia Muda Wastani wa Kufeli (MTTF):

$MTTF_{NBTI} = A \cdot V^{\gamma} \cdot e^{\frac{E_a}{KT}}$

Ambapo $A$ na $\gamma$ ni viwango vinavyohusiana na nyenzo, $E_a$ ni nishati ya kuamilishwa, $K$ ni kiwango cha Boltzmann, $T$ ni joto, na $V$ ni voltage ya ziada ya mlango.

2.2 Mbinu za Kushindwa kwa TDDB

Kuvunjika kwa Dielectric Kulingana na Wakati (TDDB) inawakilisha wasiwasi mwingine muhimu wa kuegemea ambapo oksidi ya mlango huvunjika baada ya muda kutokana na mkazo wa umeme. Katika vitanzi-vya-msalaba vya akili bandia, TDDB huharakishwa na uga wa umeme uliojaa unaohitajika kwa utendaji wa NVM.

Mfano wa maisha ya TDDB unafuata:

$MTTF_{TDDB} = \tau_0 \cdot e^{\frac{G}{E_{ox}}}$

Ambapo $\tau_0$ ni kiwango cha nyenzo, $G$ ni kigezo cha kuongeza kasi ya uga, na $E_{ox}$ ni uga wa umeme kwenye oksidi.

2.3 Mfano wa Kuegemea Uliochanganyika

Kuegemea kwa jumla kwa vifaa vya akili bandia huzingatia mbinu zote mbili za kushindwa za NBTI na TDDB. Kiwango cha jumla cha kushindwa hufuata:

$\lambda_{total} = \lambda_{NBTI} + \lambda_{TDDB} = \frac{1}{MTTF_{NBTI}} + \frac{1}{MTTF_{TDDB}}$

3. Mbinu ya Majaribio

Mfumo wetu wa majaribio hutathmini kudumu kuegemea kwa kutumia muundo wa akili bandia wa DYNAP-SE ulioboreshwa wenye vitanzi-vya-msalaba vya synapse zenye msingi wa PCM. Tuliweka alama kadhaa za ujifunzaji wa mashine ikiwa ni pamoja na uainishaji wa nambari za MNIST na utambuzi wa nambari zilizosemwa ili kukadiria athari za kuegemea chini ya mizigo kazi halisi.

Usanidi wa majaribio unajumuisha:

• Kitovu cha teknolojia cha CMOS cha 28nm kwa saketi za neva
• Vifaa vya synapse vya PCM vilivyo na voltage ya kusoma ya 1.8V
• Ufuatiliaji wa joto kutoka 25°C hadi 85°C
• Mzunguko wa mkazo-urejesho wenye mizunguko tofauti ya majukumu

4. Matokeo na Uchambuzi

4.1 Usawazishaji Kati ya Kuegemea na Utendaji

Matokeo yetu yanaonyesha usawazishaji wa msingi kati ya kuegemea kwa mfumo na utendaji wa hesabu. Uendeshaji endelevu kwenye voltage kubwa hutoa ufanisi wa juu lakini huhatarisha sana kudumu kuegemea. Kuanzishwa kwa vipindi vya kupumzisha mara kwa mara huboresha sana MTTF huku ukidumisha viwango vinavyokubalika vya utendaji.

4.2 Athari za Kupumzisha Mara Kwa Mara

Utekelezaji wa mbinu ya kuacha-na-endelea ya hesabu yenye mzunguko wa majukumu wa 30% ulionyesha uboreshaji wa 3.2x katika MTTF ikilinganishwa na uendeshaji endelevu, na kupungua kwa 15% tu kwa usahihi wa uainishaji kwa kazi za MNIST. Mbinu hii inasawazisha kikamilifu wasiwasi wa kuegemea na mahitaji ya hesabu.

5. Utekelezaji wa Kiufundi

5.1 Miundo ya Kihisabati

Algorithm ya upangaji inayolenga kuegemea huboresha usawazishaji kati ya ufanisi wa hesabu na kuzeeka kwa saketi. Tatizo la uboreshaji linaweza kuundwa kama:

$\max_{D} \quad \alpha \cdot Ufanisi(D) + \beta \cdot MTTF(D)$

$kikwazo: \quad D \in [0,1]$

Ambapo $D$ ni mzunguko wa majukumu, $\alpha$ na $\beta$ ni vipimo vya uzito kwa malengo ya utendaji na kuegemea.

5.2 Utekelezaji wa Msimbo

Hapa chini kuna utekelezaji rahisi wa msimbo bandia wa mpangaji anayelenga kuegemea:

class MpangajiAnayelengaKuegemea:
    def __init__(self, voltage_ya_juu=1.8, voltage_ya_chini=1.2):
        self.v_ya_juu = voltage_ya_juu
        self.v_ya_chini = voltage_ya_chini
        self.muda_wa_mkazo = 0
        
    def panga_shughuli(self, kazi_ya_hesabu, lengo_la_kuegemea):
        """Panga hesabu kwa vikwazo vya kuegemea"""
        
        # Kokotoa mzunguko bora wa majukumu kulingana na lengo la kuegemea
        mzunguko_wa_majukumu = self.kokotoa_mzunguko_bora_wa_majukumu(lengo_la_kuegemea)
        
        # Tekeleza hesabu ya kuacha-na-endelea
        wakati kazi_ya_hesabu.ina_kazi():
            # Awamu ya hesabu ya voltage kubwa
            self.weka_voltage(self.v_ya_juu)
            muda_wa_hesabu = mzunguko_wa_majukumu * kipimo_hiki_cha_muda
            self.tekeleza_hesabu(kazi_ya_hesabu, muda_wa_hesabu)
            self.muda_wa_mkazo += muda_wa_hesabu
            
            # Awamu ya urejesho wa voltage ndogo
            self.weka_voltage(self.v_ya_chini)
            muda_wa_urejesho = (1 - mzunguko_wa_majukumu) * kipimo_hiki_cha_muda
            muda.usingizi(muda_wa_urejesho)
            
    def kokotoa_mzunguko_bora_wa_majukumu(self, lengo_la_kuegemea):
        """Kokotoa mzunguko wa majukumu ili kufikia mahitaji ya kuegemea"""
        # Utekelezaji wa algorithm ya uboreshaji
        # ukizingatia miundo ya NBTI na TDDB
        return mzunguko_wa_majukumu_ulioboreshwa

6. Matumizi na Mwelekeo wa Baadaye

Mbinu ya kompyuta za akili bandia zinazolenga kuegemea ina athari kubwa kwa mifumo ya AI ya makali, magari yanayojitegemea, na vifaa vya IoT ambapo kudumu kuegemea kwa uendeshaji ni muhimu. Mwelekeo wa utafiti wa baadaye unajumuisha:

• Usimamizi wa Kuegemea Unaobadilika: Marekebisho ya papo hapo ya vigezo vya uendeshaji kulingana na ufuatiliaji wa kuzeeka wa wakati halisi
• Kuunda Mfano wa Kiwango Kingi: Ujumuishaji wa miundo ya kuegemea ya kiwango cha kifaa na uboreshaji wa utendaji wa kiwango cha mfumo
• Teknolojia Mpya za NVM: Uchunguzi wa sifa za kuegemea katika teknolojia mpya za kumbukumbu kama ReRAM na MRAM
• Ujifunzaji wa Mashine kwa Kuegemea: Kutumia mbinu za AI kutabiri na kupunguza athari za kuzeeka

Kompyuta za akili bandia zinaposogea kuelekea kupitishwa kwa upana katika matumizi muhimu ya usalama, mbinu za muundo zinazolenga kuegemea zitakuwa muhimu zaidi. Ujumuishaji wa mbinu hizi na dhana mpya za kompyuta kama hesabu ndani ya kumbukumbu na hesabu za takriban huleta fursa za kusisimua kwa utafiti wa baadaye.

7. Marejeo

1. M. Davies et al., "Loihi: Kichakataji cha Akili Bandia chenye Vichakataji Vingi chenye Kujifunza Kwenye Chip," IEEE Micro, 2018
2. P. A. Merolla et al., "Saketi iliyounganishwa ya neva milioni ya kusisimua yenye mtandao wa mawasiliano unaoweza kupanuka na kiolesura," Sayansi, 2014
3. S. K. Esser et al., "Mitandao ya konvolusheni kwa kompyuta za akili bandia zenye kasi na ufanisi wa nishati," PNAS, 2016
4. G. W. Burr et al., "Kompyuta za akili bandia kwa kutumia kumbukumbu isiyo-yabadilika," Maendeleo katika Fizikia: X, 2017
5. J. Zhu et al., "Tathmini ya Kuegemea na Kuunda Mfano wa Mifumo ya Kompyuta za Akili Bandia," Shughuli za IEEE kwenye Kompyuta, 2020
6. Njia ya Kimataifa ya Teknolojia kwa Semiconductors (ITRS), "Vifaa Vya Utafiti Vinavyotokea," 2015
7. Y. LeCun, Y. Bengio, na G. Hinton, "Ujifunzaji wa kina," Asili, 2015