IBM全新AI芯片設(shè)計登上Nature，解決GPU的算力瓶頸

【導讀】：現(xiàn)如今的人工智能的神經(jīng)網(wǎng)絡(luò)與GPU密不可分，但是GPU的算力對于未來神經(jīng)網(wǎng)絡(luò)的發(fā)展是不夠用的，好在IBM全新AI芯片設(shè)計，能夠解決GPU的算力瓶頸。

IBM 近日提出的全新芯片設(shè)計可以通過在數(shù)據(jù)存儲的位置執(zhí)行計算來加速全連接神經(jīng)網(wǎng)絡(luò)的訓練。研究人員稱，這種「芯片」可以達到 GPU 280 倍的能源效率，并在同樣面積上實現(xiàn) 100 倍的算力。該研究的論文已經(jīng)發(fā)表在上周出版的 Nature 期刊上。

用 GPU 運行神經(jīng)網(wǎng)絡(luò)的方法近年來已經(jīng)為人工智能領(lǐng)域帶來了驚人的發(fā)展，然而兩者的組合其實并不完美。IBM 研究人員希望專門為神經(jīng)網(wǎng)絡(luò)設(shè)計一種新芯片，使前者運行能夠更快、更有效。

直到本世紀初，研究人員才發(fā)現(xiàn)為電子游戲設(shè)計的圖形處理單元 （ GPU ） 可以被用作硬件加速器，以運行更大的神經(jīng)網(wǎng)絡(luò)。

因為這些芯片可以執(zhí)行大量并行運算，而無需像傳統(tǒng)的 CPU 那樣按順序執(zhí)行。這對于同時計算數(shù)百個神經(jīng)元的權(quán)重來說特別有用，而今的深度學習網(wǎng)絡(luò)則正是由大量神經(jīng)元構(gòu)成的。

雖然 GPU 的引入已經(jīng)讓人工智能領(lǐng)域?qū)崿F(xiàn)了飛速發(fā)展，但這些芯片仍要將處理和存儲分開，這意味著在兩者之間傳遞數(shù)據(jù)需要耗費大量的時間和精力。這促使人們開始研究新的存儲技術(shù)，這種新技術(shù)可以在同一位置存儲和處理這些權(quán)重數(shù)據(jù)，從而提高速度和能效。

這種新型存儲設(shè)備通過調(diào)整其電阻水平來以模擬形式存儲數(shù)據(jù)，即以連續(xù)規(guī)模存儲數(shù)據(jù)，而不是以數(shù)字存儲器的二進制 1 和 0。而且因為信息存儲在存儲單元的電導中，所以可以通過簡單地讓電壓通過所有存儲單元并讓系統(tǒng)通過物理方法來執(zhí)行計算。

但這些設(shè)備中固有的物理缺陷會導致行為的不一致，這意味著目前使用這種方式來訓練神經(jīng)網(wǎng)絡(luò)實現(xiàn)的分類精確度明顯低于使用 GPU 進行計算。

負責該項目的 IBM Research 博士后研究員 Stefano Ambrogio 在此前接受 Singularity Hub 采訪時說：「我們可以在一個比 GPU 更快的系統(tǒng)上進行訓練，但如果訓練操作不夠精確，那就沒用。目前為止，還沒有證據(jù)表明使用這些新型設(shè)備和使用 GPU 一樣精確?！?/p>

但隨著研究的進展，新技術(shù)展現(xiàn)了實力。在上周發(fā)表在《自然》雜志上的一篇論文中（Equivalent-accuracy accelerated neural-network training using analogue memory），Ambrogio 和他的同事們描述了如何利用全新的模擬存儲器和更傳統(tǒng)的電子元件組合來制造一個芯片，該芯片在運行速度更快、能耗更少的情況下與 GPU 的精確度相匹配。

這些新的存儲技術(shù)難以訓練深層神經(jīng)網(wǎng)絡(luò)的原因是，這個過程需要對每個神經(jīng)元的權(quán)重進行上下數(shù)千次的刺激，直到網(wǎng)絡(luò)完全對齊。Ambrogio 說，改變這些設(shè)備的電阻需要重新配置它們的原子結(jié)構(gòu)，而這個過程每次都不相同。刺激的力度也并不總是完全相同，這導致神經(jīng)元權(quán)重不精確的調(diào)節(jié)。

研究人員創(chuàng)造了「突觸單元」來解決這個問題，每個單元都對應(yīng)網(wǎng)絡(luò)中的單個神經(jīng)元，既有長期記憶，也有短期記憶。每個單元由一對相變存儲器 （ PCM ） 單元和三個晶體管和一個電容器的組合構(gòu)成，相變存儲器單元將重量數(shù)據(jù)存儲在其電阻中，電容器將重量數(shù)據(jù)存儲為電荷。

PCM 是一種「非易失性存儲器」，意味著即使沒有外部電源，它也保留存儲的信息，而電容器是「易失性的」，因此只能保持其電荷幾毫秒。但電容器沒有 PCM 器件的可變性，因此可以快速準確地編程。

當神經(jīng)網(wǎng)絡(luò)經(jīng)過圖片訓練后可以進行分類任務(wù)時，只有電容器權(quán)重被更新了。在觀察了數(shù)千張圖片之后，權(quán)重會被傳輸?shù)?PCM 單元以長期存儲。

PCM 的可變性意味著權(quán)重數(shù)據(jù)的傳遞可能仍然會存在錯誤，但因為單元只是偶爾更新，因此在不增加太多復雜性的情況下系統(tǒng)可以再次檢查導率。「如果直接在 PCM 單元上進行訓練，就不可行了。」Ambrogio 表示。

為了測試新設(shè)備，研究人員在一系列流行的圖像識別基準中訓練了他們的神經(jīng)網(wǎng)絡(luò)，并實現(xiàn)了與谷歌的神經(jīng)網(wǎng)絡(luò)框架 TensorFlow 相媲美的精確度。但更重要的是，他們預(yù)測最終構(gòu)建出的芯片可以達到 GPU 280 倍的能源效率，并在同樣平方毫米面積上實現(xiàn) 100 倍的算力。

值得注意的是，研究人員目前還沒有構(gòu)建出完整的芯片。在使用 PCM 單元進行測試時，其他硬件組件是由計算機模擬的。Ambrogio 表示研究人員希望在花費大量精力構(gòu)建完整芯片之前檢查方案的可行性。

他們使用了真實的 PCM 設(shè)備——因為這方面的模擬不甚可靠，而其他組件的模擬技術(shù)已經(jīng)成熟。研究人員對基于這種設(shè)計構(gòu)建完整芯片非常有信心。

「它目前只能在全連接神經(jīng)網(wǎng)絡(luò)上與 GPU 競爭，在這種網(wǎng)絡(luò)中，每個神經(jīng)元都連接到前一層的相應(yīng)神經(jīng)元上，」Ambrogio 表示?！冈趯嵺`中，很多神經(jīng)網(wǎng)絡(luò)并不是全連接的，或者只有部分層是全連接的?！?/p>

交叉開關(guān)非易失性存儲器陣列可以通過在數(shù)據(jù)位置執(zhí)行計算來加速全連接神經(jīng)網(wǎng)絡(luò)的訓練。圖片來源：IBM Research

Ambrogio 認為最終的芯片會被設(shè)計為與 GPU 協(xié)同工作的形式，以處理全連接層的計算，同時執(zhí)行其他任務(wù)。他還認為處理全連接層的有效方法可以被擴展到其它更廣泛的領(lǐng)域。

Ambrogio 表示主要有兩種方向的應(yīng)用：將 AI 引入個人設(shè)備，以及提高數(shù)據(jù)中心的運行效率。其中后者是科技巨頭關(guān)注的重點——這些公司的服務(wù)器運營成本一直居高不下。

在個人設(shè)備中直接實現(xiàn)人工智能可以免去將數(shù)據(jù)傳向云端造成的隱私性顧慮，但 Ambrogio 認為其更具吸引力的優(yōu)勢在于創(chuàng)造個性化的 AI。

「在未來，神經(jīng)網(wǎng)絡(luò)應(yīng)用在你的手機和自動駕駛汽車中也可以持續(xù)地學習經(jīng)驗，」他說道?！赶胂笠幌拢耗愕碾娫捒梢院湍憬徽劊⑶铱梢宰R別你的聲音并進行個性化；或者你的汽車可以根據(jù)你的駕駛習慣進行個性化調(diào)整?！?/p>