Сложные извилины и борозды на поверхности коры головного мозга, которые ранее требовали длительных вычислений на дорогостоящем крупномасштабном оборудовании для реконструкции в реальном времени на компьютере, теперь могут быть воссозданы с помощью чипа размером с большой палец.
Команда под руководством профессора Ян Юйчао, исследователя программы «Новые краеугольные камни» и профессора Школы интегральных схем Пекинского университета, совместно с командой исследователя Сун Чжитана из Шанхайского института микросистем и информационных технологий Китайской академии наук, успешно разработала первый в мире чип для нейродинамических систем на основе фазового мемристора. Впервые задержка одного шага таких сложных вычислений была сокращена до 2,12 миллисекунды, что в 50–478 раз быстрее современных графических процессоров (GPU) при реконструкции коры головного мозга, тем самым преодолев полувековое узкое место в вычислениях нейродинамики в реальном времени. Соответствующие результаты были опубликованы в журнале Science 3-го числа.
Ян Юйчао сообщил журналистам, что для того, чтобы машина могла моделировать и понимать физический мир в реальном времени, как мозг, необходима «нейродинамическая система», объединяющая нейронные сети с дифференциальными уравнениями. Она способна восстанавливать гладкие и точные трехмерные структуры мозга из неполных и зашумленных данных, обладая огромным потенциалом применения.
Однако традиционная вычислительная архитектура имеет ключевое узкое место: разделение памяти и вычислений. В процессе решения огромное количество промежуточных переменных постоянно перемещается между памятью и процессором, подобно огромному заводу данных, где значительное время тратится на транспортировку, что приводит не только к большим задержкам, но и к высокому энергопотреблению.
Столкнувшись с этой проблемой, исследовательская группа нашла решение в физических свойствах самого мемристора. Они использовали уникальное явление «дрейфа проводимости» в фазовой памяти — изменение проводимости в определенном временном окне является предсказуемым и точно регулируемым.
На этой основе команда предложила новую парадигму «управляемых вычислений в памяти», при которой наиболее трудоемкий поиск адаптивного шага в решении динамических систем напрямую кодируется как процесс физической эволюции проводимости устройства, выполняя вычисления непосредственно внутри ячейки памяти. Проще говоря, операции, которые ранее требовали многократного выполнения сложными цифровыми схемами, доступа к кэшу и передачи данных, теперь выполняются за счет физических законов самого устройства.
Что еще более примечательно, команда также отобразила веса нейронной сети на многоуровневые состояния проводимости фазовой памяти, одновременно выполняя операции умножения матриц и сложения в одном массиве. Таким образом, две основные вычислительные задачи были объединены и интегрированы в вычислительный массив общей площадью всего 0,28 квадратных миллиметра. Этот чип, изготовленный по 40-нанометровому техпроцессу, работает на частоте 50 мегагерц, требует всего 9 конвейерных ступеней для одного шага интегрирования и в конечном итоге достигает задержки одной итерации в 2,12 миллисекунды, впервые переводя нейродинамическое оборудование в миллисекундную эру.
«Производительность впечатляет». Ян Юйчао отметил, что при одинаковых вычислениях этот чип в 3,82–36,27 раза быстрее современных самых передовых специализированных ускорителей, а энергопотребление снижено в 11,75–24,73 раза; при высокоточной реконструкции поверхности коры головного мозга он даже в 478,18 раза быстрее, чем NVIDIA A100 GPU. Восстановленная сетка коры головного мозга гладкая, топологически согласованная, способная точно описывать сложные складчатые структуры и эффективно подавлять артефакты и дефекты самопересечения, характерные для традиционных методов.
Ян Юйчао сказал, что этот прорыв открывает новые горизонты для интерфейсов «мозг-компьютер» и диагностики и лечения заболеваний мозга. В будущем станет возможным создание персонализированных и динамических цифровых двойников мозга, а интраоперационная нейронавигация, ранний скрининг болезни Альцгеймера и персонализированные вмешательства получат аппаратную основу, способную работать в реальном времени.
Что такое «управляемые вычисления в памяти»
Если сравнить традиционный компьютер с офисом, где процессор — это «вычислитель», сидящий в центре, а память — «шкафы для документов» вдоль стен, то при каждом вычислении вычислителю приходится вставать, брать данные, вычислять и возвращаться обратно — время тратится на дорогу. Это и есть знаменитое «узкое место фон Неймана»: разделение памяти и вычислений, когда передача данных снижает эффективность.
Идея «вычислений в памяти» прямолинейна: позволить шкафам для документов самим научиться считать. Данные больше не нужно перемещать, вычисления выполняются непосредственно внутри ячейки памяти. Это звучит идеально, но реализовать это крайне сложно — ячейки памяти изначально умеют только «запоминать», заставить их одновременно «вычислять», да еще точно и стабильно, уже является вызовом.
Еще большая проблема заключается в «управляемости». Вычисления — это не просто сложение и вычитание; многие задачи требуют динамической настройки и принятия решений на месте. Как наделить набор физических устройств способностью «адаптироваться на месте» — это ключевой порог на пути к практической реализации вычислений в памяти.
Прорыв произошел благодаря «контринтуитивному» подходу: использованию свойства регулярного дрейфа проводимости устройства, которое ранее считалось «дефектом». Если понять его траекторию изменения, этот дрейф можно превратить в вычислительную способность — больше не нужно многократно считывать и сравнивать с помощью цифровых схем, пусть сам физический процесс выполняет вычисления.
В этом и заключается основная идея «управляемых вычислений в памяти»: позволить ячейке памяти, «запоминая», одновременно «вычислять» заданным разработчиком способом и в контролируемых пределах. Память — это вычисления, и весь процесс точно управляем. Чип, разработанный на основе этой парадигмы, способен сжимать сложные вычисления до миллисекундного уровня, повышая энергоэффективность в десятки и даже сотни раз.