Графические нейронные сети широко используются для изучения социальных сетей, электронной коммерции, взаимодействия человека с компьютером и многого другого.

В новом исследовании, опубликованном в журнале Nature Machine Intelligence в качестве статьи для обложки, исследователи из Института микроэлектроники Китайской академии наук (IMECAS) и Университета Гонконга ускорили обучение графу с помощью случайной резистивной памяти (RRM), добившись улучшений в 40,37 раз. в энергоэффективности по сравнению с графическим процессором на репрезентативных задачах обучения графу.

Глубокое обучение с использованием графиков на традиционных компьютерах фон Неймана приводит к частому перемещению данных, что неизбежно требует длительного времени обработки и высокого энергопотребления. Вычисления в оперативной памяти с резистивной памятью могут стать новым решением.

Исследователи представили новую аппаратно-программную совместную разработку, основанную на RRM нейронную сеть графа эхо-состояний , для решения этих проблем.

RRM не только использует недорогие, наноразмерные и наращиваемые резисторы для высокоэффективных вычислений в памяти, но также использует внутреннюю стохастичность диэлектрического пробоя для реализации случайных проекций в аппаратном обеспечении для сети эхо-состояний, что эффективно минимизирует затраты на обучение.

Эта работа важна для разработки аппаратных систем искусственного интеллекта следующего поколения.