« In-memory computing » ou « computational memory » est un concept émergent qui utilise les propriétés physiques des dispositifs de mémoire à la fois pour stocker et traiter des informations. Ceci est contraire aux systèmes et dispositifs actuels de von Neumann, tels que les ordinateurs de bureau standard, ordinateurs portables et même téléphones portables, qui font la navette des données entre la mémoire et l'unité de calcul, les rendant ainsi plus lents et moins économes en énergie.

Aujourd'hui, IBM Research annonce que ses scientifiques ont démontré qu'un algorithme d'apprentissage automatique non supervisé, fonctionnant sur un million de dispositifs de mémoire à changement de phase (PCM), trouvé avec succès des corrélations temporelles dans des flux de données inconnus. Par rapport aux ordinateurs classiques de pointe, cette technologie prototype devrait produire des améliorations 200 fois en termes de vitesse et d'efficacité énergétique, ce qui le rend très approprié pour permettre l'ultra-densité, batterie faible, et des systèmes informatiques massivement parallèles pour des applications en IA.

Les chercheurs ont utilisé des dispositifs PCM fabriqués à partir d'un alliage de germanium et de tellurure d'antimoine, qui est empilé et pris en sandwich entre deux électrodes. Lorsque les scientifiques appliquent un petit courant électrique au matériau, ils le chauffent, qui modifie son état d'amorphe (avec un arrangement atomique désordonné) à cristallin (avec une configuration atomique ordonnée). Les chercheurs d'IBM ont utilisé la dynamique de cristallisation pour effectuer des calculs sur place.

"C'est une étape importante dans nos recherches sur la physique de l'IA, qui explore de nouveaux matériaux matériels, appareils et architectures, " dit le Dr Evangelos Eleftheriou, un IBM Fellow et co-auteur de l'article. « Alors que les lois de mise à l'échelle CMOS s'effondrent en raison des limites technologiques, un départ radical de la dichotomie processeur-mémoire est nécessaire pour contourner les limitations des ordinateurs d'aujourd'hui. Compte tenu de la simplicité, haut débit et basse énergie de notre approche informatique en mémoire, il est remarquable que nos résultats soient si similaires à notre approche classique de référence exécutée sur un ordinateur von Neumann. »

Les détails sont expliqués dans leur article paru aujourd'hui dans la revue à comité de lecture Communication Nature . Pour démontrer la technologie, les auteurs ont choisi deux exemples basés sur le temps et comparé leurs résultats avec des méthodes traditionnelles d'apprentissage automatique telles que le clustering k-means :

• Données simulées :un million de processus aléatoires binaires (0 ou 1) organisés sur une grille 2D basée sur un pixel de 1000 x 1000, noir et blanc, dessin de profil du célèbre mathématicien britannique Alan Turing. Les scientifiques d'IBM ont ensuite fait clignoter les pixels au même rythme, mais les pixels noirs s'allument et s'éteignent de manière faiblement corrélée. Cela signifie que lorsqu'un pixel noir clignote, il y a une probabilité légèrement plus élevée qu'un autre pixel noir clignote également. Les processus aléatoires ont été attribués à un million d'appareils PCM, et un algorithme d'apprentissage simple a été mis en œuvre. A chaque clignement, la matrice PCM apprise, et les dispositifs PCM correspondant aux processus corrélés sont passés à un état de conductance élevée. De cette façon, la carte de conductance des appareils PCM recrée le dessin d'Alan Turing. (voir image ci-dessus)
• Données du monde réel :données de précipitations réelles, recueillies sur une période de six mois à partir de 270 stations météorologiques à travers les États-Unis à des intervalles d'une heure. S'il pleut dans l'heure, il était étiqueté "1" et si ce n'était pas "0". Le clustering k-means classique et l'approche informatique en mémoire se sont mis d'accord sur la classification de 245 des 270 stations météorologiques. L'informatique en mémoire a classé 12 stations comme non corrélées qui avaient été marquées corrélées par l'approche de clustering k-means. De la même manière, l'approche informatique en mémoire a classé 13 stations comme corrélées qui avaient été marquées non corrélées par le clustering k-means.

"La mémoire a jusqu'à présent été considérée comme un endroit où nous stockons simplement des informations. Mais dans ce travail, nous montrons de manière concluante comment nous pouvons exploiter la physique de ces dispositifs de mémoire pour effectuer également une primitive de calcul de haut niveau. Le résultat du calcul est également stocké dans les dispositifs de mémoire, et en ce sens, le concept est vaguement inspiré par la façon dont le cerveau calcule. " a déclaré le Dr Abu Sebastian, scientifique en mémoire exploratoire et technologies cognitives, IBM Research et auteur principal de l'article.