Hyperdimensionales Computersystem

Hyperdimensionales Rechnen (HDC) ist ein aufkommender Rechenansatz, der von Mustern neuronaler Aktivität im menschlichen Gehirn inspiriert ist. Diese Art des Rechnens kann es Systemen künstlicher Intelligenz ermöglichen, Erinnerungen zu speichern und neue Informationen auf der Grundlage von Daten oder Szenarien zu verarbeiten, auf die sie zuvor gestoßen sind.

Die meisten HDC-Systeme, die in der Vergangenheit entwickelt wurden, leisten nur bei bestimmten Aufgaben, wie der Verarbeitung natürlicher Sprache (NLP) oder Zeitreihenproblemen, gute Dienste. In einer in Nature Electronics veröffentlichten Arbeit stellten Forscher von IBM Research Zürich und der ETH Zürich ein neues HDC-System vor, das alle Berechnungen im Speicher durchführt und das für eine Vielzahl von Aufgaben eingesetzt werden kann. "Unsere Arbeit wurde durch die natürliche Übereinstimmung zwischen den beiden Konzepten des In-Memory-Computing und des hyperdimensionalen Computings initiiert", erklärten Abu Sebastian und Abbas Rahimi, die beiden leitenden Forscher hinter der Studie, gegenüber TechXplore. "Bei IBM Research-Zürich haben wir In-Memory-Computing-Plattformen entwickelt, die auf Phase-Change-Speicher (PCM) basieren, während wir an der ETH Zürich ein vom Gehirn inspiriertes Computing-Paradigma namens Hyperdimensionales Computing erforscht haben.

"Hyperdimensionales Rechnen ist ein sich entwickelndes Rechensystem, das sich von Eigenschaften neuronaler Schaltkreise inspirieren lässt, darunter Hyperdimensionalität, vollständig verteilte holographische Darstellung und (Pseudo-)Zufälligkeit. Wenn das Framework für maschinelle Lernaufgaben wie Lernen und Klassifikation eingesetzt wird, beinhaltet es die Manipulation und den Vergleich großer Muster im Speicher. Eine Schlüsseleigenschaft des hyperdimensionalen Rechnens ist seine Robustheit gegenüber den Unvollkommenheiten, die mit den Berechnungssubstraten, auf denen es implementiert wird, verbunden sind. Daher ist es besonders anfällig für neu aufkommende Nicht-Von-Neumann-Ansätze wie In-Memory-Computing, bei denen die physikalischen Eigenschaften von memristiven Bauelementen im Nanomaßstab zur Durchführung von Berechnungen ausgenutzt werden. Hier berichten wir über ein vollständiges hyperdimensionales In-Memory-Computersystem, bei dem alle Operationen auf zwei memristiven Crossbar-Engines zusammen mit peripheren digitalen komplementären Metalloxid-Halbleiter-Schaltungen (CMOS) implementiert werden. Unser Ansatz kann einen nahezu optimalen Kompromiss zwischen Entwurfskomplexität und Klassifizierungsgenauigkeit erreichen, der auf drei prototypischen hyperdimensionalen rechenbezogenen Lernaufgaben basiert: Sprachklassifizierung, Nachrichtenklassifizierung und Erkennung von Handgesten aus Elektromyographiesignalen. Experimente mit 760.000 Phasenwechsel-Speicherbausteinen, die analoges In-Memory-Computing durchführen, erreichen vergleichbare Genauigkeiten wie Software-Implementierungen."

Weitere Informationen dazu finden Sie im kostenpflichtigen Artikel in Nature Electronics in diesem Video von IBM sowie in diesem Blogbeitrag von IBM-Mitarbeiter Kumudu Geethan Karunaratne.