IMW大会解读系列:内存计算---计算机未来的结构

更新日期:2022年06月13日

       内存计算(存储和计算的融合在现代技术中很流行, 随着数据量变大,

计算量增加, 原来的冯勒曼结构已经不能成立;Scaling 已经不足以进行高效计算。所以有很多计算机专家在研究新的架构和计算方法, 在会议上, 惠普实验室有一个有趣的研究:惠普实验室首席研究员描述(模拟数字信号可寻址存储器被广泛应用于信息安全、基因组和决策树。(其实是随机存取内存的反例。
       你可以指定你的内存地址, 然后将地址发送到的搜索和存储的内容匹配, 就可以输出匹配的对应地址。而这个内容寻址器是为了提高数据的吞吐量而设计的。 gital可以应用于Security、基因组学和决策树, 并绘制各种计算模型。 Source HP Labs 他们使用25工艺制作忆阻器并直接集成, 可用于演示完整的数据读取、编程、计算等复杂操作。不仅功耗低、程序控制算法出色, 而且团队成功部署一个分类准确率高达953%的多层卷积神经网络, 同时也展示了对模拟和数字信号混合计算系统的探索, 带来了全新的计算机架构概念。也有类似研究机构记忆计算组的研究人员也表示, 多维计算也受大脑影响受到启发, 它使用内存来克服当前深度学习计算的一些挑战;虽然目前的半导体发展已经实现了多维计算, 但仍不如人脑高效, 能耗也是一大挑战。运行一次训练模型所消耗的能量相当于一个普通家庭半个月的电。不仅是能源消耗, 另一个巨大的挑战是设备的复杂性。现在的和神经网络模型基本都部署在大型服务器上, 在可靠性、网络安全性、可控性等方面有各种要求。让系统的复杂度急剧上升。所以未来一定要超越现有的冯诺依曼体系, 应该有内存计算(存储计算一体化, 进行多维计算。多维计算是以内存为中心的, 这使得它非常适合使用存储计算一体化硬件。实现源多维计算的总体思路是用超维向量来展示数据,

超维向量不是32或64个数据流按一定的顺序表示, 而是1维和1维之间的随机流万维向量运算速度非常快, 通常以内存为中心构建通用且可扩展的计算模型, 因此非常适合内存计算硬件实现。高维向量计算结合了内存存储的编码结构, 以及数据流在相变存储器件上编码(一个高阻态和低阻态用来表示0或1。而一组p eople已经实现了完整的系统并生成了准确的数据, 并实现了内存超维计算的能效是传统的6倍。
       但也对外表示, 整个系统还有很大的有改进的空间, 但无论如何, 设计内存中的超维计算系统是可能的, 并且可以使用较旧的芯片工艺来设计和制造系统, 以实现节能和快速的软件系统。
       各大厂商摩拳擦掌, 内存计算或将成为主流。不仅如此, 在去年的2020大会上, 来自Electronics的一个团队向业界分享了一款基于闪存的内存处理器(这种结构不仅可以在节点进行计算推理, 还可以自学习。这种新结构不仅共享了存储单元的闪存阵列, 还减少了 25% 的总面积(来源:随着摩尔定律的不断延伸, 计算机处理数据的能力在短短十年内翻了一番。但存储和数据库的发展并没有跟上跟上步伐, 数据的层次可能需要数小时甚至数天才能完成。内存计算(可以低成本部署和维护, 已经被一些大数据厂商选择。内存技术取代传统, 或许下一个新的计算机架构是内存计算, 大规模商业化指日可待。主编:我的果果超萌 编译自:3, 参考:

Copyright © 2004-2022 中船绿洲机器有限公司 zhongchuanlyuzhoujiqiyouxiangongsi ,All Rights Reserved (www.zhouchunmei.com)