أجهزة جديدة قد تتغلب على جدار الذاكرة في الذكاء الاصطناعي

الولايات المتحدة - وكالة أنباء إخباري

تقنية ذاكرة جديدة قد تكسر حاجز أداء الذكاء الاصطناعي

في خطوة قد تحدث ثورة في عالم الذكاء الاصطناعي، كشف فريق من الباحثين في جامعة كاليفورنيا سان دييغو عن ابتكار مذهل في مجال تقنية الذاكرة المقاومة (Resistive Random-Access Memory - RRAM). يهدف هذا التقدم إلى معالجة إحدى أكبر العقبات التي تواجه تطوير أنظمة الذكاء الاصطناعي المتقدمة، والمعروفة باسم "جدار الذاكرة" (Memory Wall). يتجلى هذا الجدار في التأخير الزمني واستهلاك الطاقة الهائلين الناتجين عن نقل البيانات باستمرار بين وحدات المعالجة المركزية (CPU) ووحدات الذاكرة، حتى مع النماذج السريعة.

تكمن عبقرية تقنية RRAM، وخاصة النسخة ثلاثية الأبعاد والمكدسة التي طورها الفريق، في قدرتها على إجراء العمليات الحسابية مباشرة داخل خلايا الذاكرة نفسها. هذا النهج، الذي يُعرف بالحوسبة في الذاكرة (In-Memory Computing)، يلغي الحاجة إلى نقل كميات هائلة من البيانات ذهابًا وإيابًا، مما يوفر سرعة وكفاءة لا مثيل لهما.

تجاوز حدود الذاكرة التقليدية

تقليديًا، تعتمد أجهزة RRAM على تغيير مستوى المقاومة الكهربائية لتخزين البيانات. ومع ذلك، فإن الأنواع التقليدية من RRAM غالبًا ما تكون غير مستقرة وصعبة الاستخدام، مما يحد من تطبيقاتها العملية، خاصة في مجال الذكاء الاصطناعي الذي يتطلب معالجة بيانات مكثفة. المشكلة الأساسية تكمن في آلية تخزين البيانات في RRAM التقليدية، والتي تعتمد على تكوين "خيوط" (filaments) ذات مقاومة منخفضة داخل مادة عازلة ذات مقاومة أعلى. تتطلب عملية تكوين هذه الخيوط جهدًا كهربائيًا عاليًا قد لا يكون متوافقًا مع تقنيات المعالجة القياسية (CMOS)، مما يعيق التكامل السلس داخل المعالجات الحديثة. علاوة على ذلك، فإن عملية تكوين هذه الخيوط عشوائية وغير منتظمة، مما يؤدي إلى ضوضاء في البيانات وزيادة احتمالية الأخطاء، وهو أمر كارثي لنماذج التعلم العميق التي تعتمد على دقة الأوزان.

للتعامل مع هذه التحديات، قام فريق جامعة كاليفورنيا سان دييغو، بقيادة المهندسة الكهربائية دويغو كوزوم، بإعادة تصميم تقنية RRAM بالكامل. بدلاً من الاعتماد على تكوين الخيوط، طور الباحثون نوعًا جديدًا يُعرف باسم "Bulk RRAM" (ذاكرة RRAM الكتلية). في هذا التصميم المبتكر، لا يتم تكوين خيوط مركزة، بل يتم تغيير حالة المقاومة لطبقة كاملة من المادة العازلة من حالة عالية إلى حالة منخفضة والعكس صحيح. هذا النهج يتجنب تمامًا الحاجة إلى الجهد العالي لتكوين الخيوط، كما أنه يلغي الحاجة إلى ترانزستورات انتقائية (selector transistors) التي كانت ضرورية لعزل الخلايا في RRAM التقليدي، مما يسهل عملية التكديس ثلاثي الأبعاد.

ابتكار في التكديس ثلاثي الأبعاد والقدرة التخزينية

على الرغم من أن فكرة Bulk RRAM ليست جديدة تمامًا، إلا أن فريق جامعة كاليفورنيا سان دييغو حقق اختراقات كبيرة في تصغير حجم هذه الأجهزة وتطوير دوائر ثلاثية الأبعاد منها. نجح الباحثون في تصغير أجهزة RRAM إلى مستوى النانومتر، حيث بلغ قطر الجهاز 40 نانومترًا فقط. والأهم من ذلك، تمكنوا من تكديس هذه الأجهزة لتصل إلى ثماني طبقات. كل خلية في هذه المكدسات المكونة من ثماني طبقات قادرة على تخزين ستة بتات من البيانات، مما يعني أنها تستطيع اتخاذ 64 مستوى مقاومة مختلفًا بفضل نبضة جهد واحدة. هذه القدرة العالية على التمييز بين مستويات المقاومة يصعب تحقيقها في RRAM التقليدي القائم على الخيوط.

بالإضافة إلى ذلك، تعمل مكدسات Bulk RRAM الجديدة في نطاق المقاومة بالميجا أوم (megaohms)، مقارنة بالكيلو أوم (kiloohms) في RRAM التقليدي. ترى الدكتورة كوزوم أن هذا النطاق الأعلى من المقاومة مفيد جدًا للعمليات المتوازية، مما يعزز كفاءة الحوسبة داخل الذاكرة.

تطبيق عملي: شبكات عصبية مستمرة التعلم

لتطبيق هذه التقنية، قام الباحثون ببناء مصفوفة ذاكرة بسعة 1 كيلوبايت باستخدام مكدسات Bulk RRAM متعددة، تتكون من ثماني طبقات لكل منها، دون الحاجة إلى أي ترانزستورات انتقائية. تم اختبار هذه المصفوفة باستخدام خوارزمية تعلم مستمر، حيث تم تدريب الشريحة على تصنيف البيانات الواردة من أجهزة استشعار قابلة للارتداء، مع إمكانية إضافة بيانات جديدة بشكل مستمر. على سبيل المثال، تم استخدام بيانات من هاتف ذكي محمول لتحديد أنشطة المستخدم مثل الجلوس، المشي، صعود الدرج، أو القيام بأنشطة أخرى. أظهرت الاختبارات دقة بلغت 90%، وهو ما يعادل أداء الشبكات العصبية التقليدية المطبقة رقميًا.

ترى الدكتورة كوزوم أن هذه التقنية مناسبة بشكل خاص لنماذج الذكاء الاصطناعي على الأجهزة الطرفية (edge devices)، التي تحتاج إلى التعلم من بيئتها المحيطة دون الاعتماد المستمر على الاتصال بالإنترنت أو بالسحابة. "نحن نقوم بالكثير من التوصيف وتحسين المواد لتصميم جهاز مصمم خصيصًا لتطبيقات الذكاء الاصطناعي"، قالت كوزوم.

التحديات المستقبلية والآفاق الواعدة

يصف أليك تالين، عالم المواد في مختبرات سانديا الوطنية والذي لم يشارك في البحث، هذا التقدم بأنه "خطوة مفيدة جدًا" نحو تكامل أفضل لتقنيات الذاكرة. ومع ذلك، يشير تالين إلى تحدٍ رئيسي محتمل: قدرة الاحتفاظ بالبيانات على المدى الطويل، خاصة في درجات الحرارة المرتفعة التي تعمل فيها الأجهزة الإلكترونية عادةً. بينما أظهرت أبحاث جامعة كاليفورنيا سان دييغو قدرة على الاحتفاظ بالبيانات لعدة سنوات في درجة حرارة الغرفة، فإن الأداء في درجات الحرارة الأعلى لا يزال بحاجة إلى مزيد من التحقق. "هذا أحد التحديات الرئيسية لهذه التكنولوجيا"، أكد تالين، خاصة فيما يتعلق بالتطبيقات الطرفية.

إذا تمكن المهندسون من التغلب على هذه التحديات، فإن تقنية Bulk RRAM يمكن أن تفيد جميع أنواع نماذج الذكاء الاصطناعي. لقد أصبح "جدار الذاكرة" يمثل عقبة متزايدة في هذا العقد، حيث لم تعد الذاكرة التقليدية قادرة على مواكبة الطلبات المتزايدة لنماذج الذكاء الاصطناعي الضخمة. أي تقنية تسمح بإجراء العمليات الحسابية مباشرة داخل الذاكرة قد تكون بمثابة اختصار حاسم لتطوير الجيل القادم من أنظمة الذكاء الاصطناعي.

Ekhbary News Agency Link