КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер проекта 20-42-08002

НазваниеСверхбыстрые и энергоэффективные спинтронные устройства для задач искусственного интеллекта

Руководитель Звездин Константин Анатольевич, Доктор физико-математических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Московский физико-технический институт (национальный исследовательский университет)" , г Москва

Конкурс №42 - Конкурс 2019 года «Проведение фундаментальных научных исследований и поисковых научных исследований международными научными коллективами» (MOST)

Область знания, основной код классификатора 02 - Физика и науки о космосе; 02-207 - Магнитные явления

Ключевые слова спинтроника, наномагнетизм, spin-torque diode, MRAM, STT MRAM, ферримагнетики, антиферромагнетики, искусственный интеллект, глубокое обучение, искусственные нейронные сети, бинарные нейронные сети, нейроморфные вычисления

Код ГРНТИ29.03.77

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Совместный российско-тайваньский проект направлен на изучение возможностей, предлагаемых спинтроникой, для создания сверхбыстрых и сверхэкономичных нейроморфных устройств. В последние годы возросла популярность новых вычислительных парадигм искусственного интеллекта, направленных на имитацию функциональных вычислительных свойств мозга. Ожидается, что такие системы смогут достичь прорыва в технологиях, связанных с эффективным анализом экспоненциально растущего объема данных («Большие данные»). В настоящее время стандартом де-факто для решения широкого класса задач машинного обучения и распознавания образов становится технология «глубокого обучения», основанная на многослойных нейронных сетях. Однако эти технологии обладают рядом высокозатратных или трудноприменимых в практических задачах обработки больших объемов данных характеристик. Среди них - сильная зависимость от доступности больших объемов обучающих данных и связанные с этим значительные вычислительные затраты на обучение. В последнее время был изучен ряд подходов к снижению вычислительных затрат. В рамках этого проекта мы предлагаем разработать сверхбыстрые и нейроморфные решения и подходы с низким рассеянием энергии в трех взаимосвязанных областях: со-проектирование глубокого обучения с STT-MRAM, проектирование и прототип программируемого нейроморфного чипа на базе STT-MRAM, исследование динамики обучения, необходимой для систем искусственного интеллекта на основе сверхбыстрого магнетизма на частоте терагерцового резонанса в ферримагнитных и антиферромагнитных материалах. Критически важной частью проекта является исследование интеграции STT-MRAM с устройствами IoT. Оно включает разработку модели глубокого обучения, со- проектированной с STT-MRAM для приложений IoT, включая модель CPU, связанную с MRAM для обработки изображений, и разработку устройства памяти STT-MRAM, совместно разработанного с ускорителем с обработкой в памяти данных CNN / CapsNet или другими приложениями. Очень многообещающим направлением является аппаратная реализация алгоритмов двоичных нейронных сетей, для которых недавно было показано, что они полностью соответствуют производительности традиционных нейронных сетей, с использованием последних достижений в разработке магнитной памяти произвольного доступа. В этом проекте мы намерены продемонстрировать программируемый нейроморфный чип на основе спинтроники, способный в течение одного цикла считывания из памяти выполнить целую задачу распознавания для одного полного слоя многослойной двоичной нейронной сети. Такой чип сохранит занесенную в него программу, будучи энергетически независимым, то есть он будет постоянно хранить синаптические веса и структуру сети без источника питания и обладать низким энергопотреблением при выполнении задач распознавания. Кроме того, подходящая модификация аппаратного обеспечения позволила бы ему выполнять онлайн-обучение непосредственно на чипе, либо de novo, либо начиная с уже существующей натренированной сети, улучшая ее на основе новых доступных примеров. Учет нового примера также займет всего несколько циклов чтения / записи в памяти, таким образом радикально ускорив процедуры обучения искусственного интеллекта на основе глубоких нейронных сетей. Предложенная реализация является дальнейшим развитием матричной сетевой архитектуры, впервые предложенной в [1]. Двоичные сети также демонстрируют высокий уровень устойчивости к ошибкам, что позволило бы значительно снизить требования к частоте появления ошибок MRAM, упростить и удешевить производство, а также увеличить плотность элементов (и, следовательно, емкость чипа). Предварительные оценки показывают, что потребление энергии на одну операцию в предложенном дизайне может быть приблизительно в 10 раз меньше (по крайней мере) по сравнению с современными наиболее совершенными устройствами обработки для стандартных цифровых сетей - Google TPU, Nvidia и MobilEye. Однако, несмотря на привлекательные особенности, энергопотребление современных ферромагнитных спинтронных устройств все еще намного выше, чем в мозге. В связи с этим крайне важно найти решение для спинтроники, позволяющее дополнительно снизить энергопотребление. В более долгосрочной перспективе ожидается, что спинтроника перейдет с ферромагнитных на ферримагнитные и антиферромагнитные материалы. Ключевым преимуществом антиферромагнетиков и ферримагнетиков является терагерцовая резонансная частота (по сравнению с гигагерцами в ферромагнетиках), которая обеспечивает сверхбыструю обработку информации и, таким образом, значительно снижает энергопотребление. Сверхбыстрое управление параметром порядка в магнитных средах в последнее время стало важной и актуальной темой в науке. Более высокая сложность упорядоченного фазового и параметрического пространства в антиферромагнетиках и ферримагнетиках предлагает богатый набор возможностей, которые варьируются от топологических квазичастичных динамических манипуляций до эффектов многополюсного порядка, сверхбыстрой динамики, которые могут быть критически важны для технологий сверхбыстрых и сверхэкономичных нейроморфных вычислений и ИИ. Эта часть проекта тесно связана с текущими исследованиями ферромагнитной нейроморфной спинтроники, создавая совершенно новые способы переосмысления спиновых явлений в ферримагнетиках и антиферромагнетиках, в то же время извлекая выгоду из новаторских работ в области антиферромагнитных и ферримагнитных материалов. Синергия объединенных усилий российских и тайваньских команд позволит создать необходимые теоретические и экспериментальные основы и предпосылки для разработки нового поколения аппаратных реализаций сверхскоростного и низкоэнергетического нейроморфного спинтронного ИИ. [1] V. G. Red’ko and K. A. Zvezdin. A Magnetoresistive Neurochip: Architecture and Operation, Russian Microelectronics, Vol. 26, No. 6, 1997, pp. 360–364. (Translated from Mikroelektronika, Vol. 26, No. 6, 1997, pp. 420–425.)

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---