El chip de memristor de 40 nm de la Universidad de Pekín supera al Nvidia A100 hasta en 478 veces

Un chip neuromórfico construido alrededor de memristores de cambio de fase ha logrado una aceleración computacional de hasta 478 veces en comparación con la GPU A100 de Nvidia en tareas de reconstrucción de la corteza cerebral, según un artículo publicado en Science el 14 de julio. Investigadores de la Universidad de Pekín y del Instituto de Microsistemas de Shanghái de la Academia China de Ciencias diseñaron el chip, que se aparta de la aceleración digital convencional al utilizar el comportamiento físico de los propios dispositivos de memoria para resolver ecuaciones de dinámica neuronal.

El chip de 40 nm mide solo 0.28 milímetros cuadrados. Integra matrices de computación en memoria para operaciones matriciales y matrices de desplazamiento escalonado para la integración adaptativa, logrando una latencia de iteración única de 2.12 milisegundos. Esta es la primera vez que el hardware de dinámica neuronal supera el umbral de milisegundos en una sola iteración, lo que permite que aplicaciones que antes solo podían ejecutarse fuera de línea operen en tiempo real.

Por qué la dinámica neuronal es difícil

Los modelos de dinámica neuronal describen cómo evoluciona la actividad neuronal a lo largo del tiempo. Requieren la resolución iterativa de ecuaciones diferenciales. Las arquitecturas von Neumann tradicionales trasladan datos entre unidades de memoria y procesamiento separadas, creando cuellos de botella que hacen que la ejecución en tiempo real sea impracticable para modelos de alta fidelidad. El equipo de la Universidad de Pekín evitó esto aprovechando la física de los memristores de cambio de fase.

Los memristores de cambio de fase tienen una conductancia continuamente variable que se puede programar con precisión. Los investigadores asignaron el proceso de búsqueda adaptativa de pasos requerido en los solucionadores de dinámica neuronal directamente a la evolución natural de la conductancia de los memristores. En lugar de ejecutar múltiples ciclos de reloj para la búsqueda de tamaño de paso, juicio y ajuste, el dispositivo realiza estas tareas a través de su propia evolución física. Los autores denominan a esto computación impulsada por la física.

El control de conductancia de varios niveles también permite que la misma matriz almacene pesos de redes neuronales y realice multiplicación de matrices analógica al mismo tiempo, combinando memoria y computación en una sola capa física.

Números de rendimiento brutos

En experimentos, el chip superó a los aceleradores ASIC más avanzados entre 3.82 y 36.27 veces en velocidad, mientras consumía solo entre el 3.9 y el 7.8 por ciento de la potencia. Los resultados más sorprendentes provinieron de tareas de reconstrucción de la superficie de la corteza cerebral de alta fidelidad, donde el chip superó a una GPU Nvidia A100 por un factor de 50.38 a 478.18 veces.

El chip funciona a 50 MHz con un canalización de 9 etapas. Los resultados muestran que la innovación arquitectónica, no el paralelismo por fuerza bruta, puede ofrecer ganancias de varios órdenes de magnitud para cargas de trabajo computacionales especializadas.

De modelos cerebrales a interfaces cerebrales

Science publicó un artículo de perspectiva complementario que describe el trabajo como un cambio de paradigma. Las implicaciones van mucho más allá de la aplicación de modelado cerebral demostrada. La dinámica neuronal a nivel de milisegundos abre la puerta a interfaces cerebro-computadora en tiempo real, gemelos digitales del cerebro para medicina personalizada, sistemas de navegación neuronal para cirugía y diagnóstico inteligente de enfermedades neurodegenerativas como el Parkinson y el Alzheimer.

Los chips neuromórficos tradicionales de Intel (Loihi) e IBM (TrueNorth) se centran en la computación basada en picos, adecuada para clasificación y reconocimiento de patrones. El chip de la Universidad de Pekín aborda un nicho diferente: la resolución iterativa en tiempo continuo de ecuaciones diferenciales que subyacen a los modelos neuronales biofísicos. Esto lo sitúa en una categoría separada tanto de las GPU convencionales como de los aceleradores neuronales de picos.

La investigación fue apoyada por el programa New Cornerstone Investigator, el Programa Nacional de I+D Clave, la Fundación Nacional de Ciencias Naturales y el Laboratorio Clave de Chips de Computación en Memoria de Guangdong.

A medida que la industria de semiconductores lucha con el final de la escala de la Ley de Moore, el chip ofrece un vistazo a una trayectoria alternativa, una donde la física del dispositivo, en lugar de la densidad de transistores, impulsa la mejora del rendimiento.