Image au microscope électronique du réseau de memristors. Crédit :Yeonjoo Jeong, Groupe de nanoélectronique, Université du Michigan.
Une nouvelle façon d'organiser des composants informatiques avancés appelés memristors sur une puce pourrait leur permettre d'être utilisés pour l'informatique générale, ce qui pourrait réduire la consommation d'énergie d'un facteur 100.
Cela améliorerait les performances dans les environnements à faible consommation d'énergie tels que les smartphones ou rendrait les supercalculateurs plus efficaces, dit un chercheur de l'Université du Michigan.
« Historiquement, l'industrie des semi-conducteurs a amélioré les performances en rendant les dispositifs plus rapides. Mais bien que les processeurs et les mémoires soient très rapides, ils ne peuvent pas être efficaces car ils doivent attendre que les données entrent et sortent, " dit Wei Lu, Professeur U-M de génie électrique et informatique et co-fondateur de la startup memristor Crossbar Inc.
Memristors pourrait être la réponse. Nommé comme un portemanteau de mémoire et de résistance, ils peuvent être programmés pour avoir différents états de résistance, ce qui signifie qu'ils stockent des informations sous forme de niveaux de résistance. Ces éléments de circuit permettent la mémoire et le traitement dans le même appareil, éliminer le goulot d'étranglement du transfert de données rencontré par les ordinateurs conventionnels dans lesquels la mémoire est séparée du processeur.
Cependant, contrairement aux bits ordinaires, qui valent 1 ou 0, Les memristors peuvent avoir des résistances qui sont sur un continuum. Certaines candidatures, comme l'informatique qui imite le cerveau (neuromorphe), profiter de la nature analogique des memristors. Mais pour l'informatique ordinaire, essayer de différencier les petites variations du courant traversant un dispositif à memristor n'est pas assez précis pour les calculs numériques.
Le réseau de memristors situé sur une carte de circuit imprimé. Crédit :Mohammed Zidan, Groupe de nanoélectronique, Université du Michigan.
Lu et ses collègues ont contourné ce problème en numérisant les sorties de courant, en définissant les plages de courant comme des valeurs de bits spécifiques (c'est-à-dire, 0 ou 1). L'équipe a également été en mesure de cartographier de grands problèmes mathématiques en blocs plus petits dans le tableau, améliorer l'efficacité et la flexibilité du système.
Des ordinateurs avec ces nouveaux blocs, que les chercheurs appellent « unités de traitement de la mémoire », " pourraient être particulièrement utiles pour la mise en œuvre d'algorithmes de machine learning et d'intelligence artificielle. Ils sont également bien adaptés aux tâches basées sur des opérations matricielles, telles que les simulations utilisées pour la prévision météorologique. Les matrices mathématiques les plus simples, semblable à des tableaux avec des lignes et des colonnes de nombres, peut mapper directement sur la grille de memristors.
Une fois les memristors configurés pour représenter les nombres, les opérations qui multiplient et additionnent les lignes et les colonnes peuvent être effectuées simultanément, avec un ensemble d'impulsions de tension le long des lignes. Le courant mesuré à la fin de chaque colonne contient les réponses. Un processeur typique, en revanche, devrait lire la valeur de chaque cellule de la matrice, effectuer des multiplications, puis résumer chaque colonne en série.
« Nous obtenons la multiplication et l'addition en une seule étape. Cela est géré par des lois physiques. Nous n'avons pas besoin de multiplier et de sommer manuellement dans un processeur, " dit Lu.
Son équipe a choisi de résoudre des équations aux dérivées partielles comme test pour un réseau de memristors 32x32, que Lu imagine comme un seul bloc d'un futur système. Ces équations, y compris ceux derrière les prévisions météorologiques, sous-tendent de nombreux problèmes scientifiques et techniques, mais sont très difficiles à résoudre. La difficulté vient des formes compliquées et des variables multiples nécessaires pour modéliser les phénomènes physiques.
Lorsque la résolution exacte des équations aux dérivées partielles est impossible, les résoudre approximativement peut nécessiter des supercalculateurs. Ces problèmes impliquent souvent de très grandes matrices de données, ainsi, le goulot d'étranglement de la communication mémoire-processeur est soigneusement résolu avec un réseau de memristors. Les équations que l'équipe de Lu a utilisées dans leur démonstration ont simulé un réacteur à plasma, tels que ceux utilisés pour la fabrication de circuits intégrés.
Ce travail est décrit dans une étude, "Un solveur général d'équations aux dérivées partielles basé sur memristor, " publié dans la revue Nature Électronique .
