در سالهای اخیر همه درباره GPUهای قدرتمند، مثل پردازندههای هوش مصنوعی انویدیا و AMD صحبت میکنند، اما یک مشکل اساسی وجود دارد: این پردازندهها باید دائماً حجم عظیمی از داده را از حافظه دریافت کنند.
مدلهای زبانی بزرگ (LLM) مثل ChatGPT به میلیاردها پارامتر نیاز دارند. حتی اگر پردازندهای فوقالعاده سریع داشته باشید، اگر حافظه نتواند داده را با سرعت کافی تأمین کند، بخش بزرگی از توان پردازشی بلااستفاده میماند. به همین دلیل در سالهای اخیر فناوریهایی مانند HBM تا این اندازه اهمیت پیدا کردهاند.
بنابر گزارش SCMP، یک تیم تحقیقاتی در دانشگاه فودان شانگهای ادعا کرده راهی برای کاهش شدید مصرف انرژی و افزایش تراکم حافظه پیدا کرده است: حافظهای که برای ذخیره یک بیت اطلاعات تنها به یک الکترون نیاز دارد.
از ۲۰۰ هزار الکترون به فقط یک الکترون
برای درک اهمیت این دستاورد باید بدانیم حافظههای امروزی چگونه کار میکنند. در حافظههای DRAM پیشرفته، ذخیره یک بیت اطلاعات با نگهداری بار الکتریکی در سلولهای حافظه انجام میشود. برای اینکه این مقدار بار در برابر نویز و نشت الکتریکی پایدار بماند، معمولاً به تعداد زیادی الکترون نیاز است؛ SCMP اشاره میکند که در DRAMهای مدرن این عدد تقریباً در محدوده ۲۰۰ هزار الکترون برای یک بیت قرار دارد.
اما فناوری جدید چینیها که با نام Guiyi معرفی شده، تلاش میکند همین کار را با یک الکترون منفرد انجام دهد؛ یعنی رسیدن به حداقل فیزیکی ممکن برای ذخیره اطلاعات.
راز این حافظه چیست؟ گرافن و ساختار دوبعدی
این فناوری یک حافظه فلش دوبعدی (2D Flash Memory) است که از یک لایه گرافن برای جلوگیری از فرار الکترونها استفاده میکند.
مشکل اصلی در حافظههای تکالکترونی این است که سیگنال بسیار ضعیف است. وقتی تنها یک الکترون مسئول ذخیره اطلاعات باشد، کوچکترین اختلال میتواند باعث از بین رفتن داده شود.
پژوهشگران دانشگاه فودان اعلام کردهاند که در طراحی جدید توانستهاند سیگنال بسیار ضعیف حاصل از یک الکترون را تقویت کنند؛ بهطوری که سیگنال خروجی از چند ده میلیولت به حدود ۰.۵ ولت رسیده است؛ رقمی که طبق ادعای آنها حدود ۱۰ برابر بهتر از تلاشهای قبلی در این حوزه است.

پروفسور ژو پنگ از دانشگاه فودان اعلام کرده است که قصد دارد اواخر امسال شرکتی را برای تجاریسازی فناوری «گوییی» (Guiyi) راهاندازی کند.
چرا این فناوری برای هوش مصنوعی مهم است؟
شاید در نگاه اول ذخیره یک بیت با یک الکترون یک پیشرفت آزمایشگاهی به نظر برسد، اما کاربرد اصلی که محققان روی آن تأکید دارند، اجرای مدلهای هوش مصنوعی روی دستگاههای کوچک با مصرف انرژی بسیار پایینتر است.
امروز اجرای مدلهای بزرگ هوش مصنوعی روی گوشیهای هوشمند با محدودیتهای جدی روبهرو است. حتی اگر پردازنده موبایل توان کافی داشته باشد، ظرفیت و مصرف انرژی حافظه میتواند مانع اصلی باشد.
اگر چنین فناوریهایی در آینده به محصول واقعی تبدیل شوند، میتوان تصور کرد گوشیها و لپتاپها بتوانند مدلهای هوش مصنوعی بزرگتری را بهصورت محلی اجرا کنند؛ بدون اینکه برای هر درخواست مجبور باشند به سرورهای ابری متصل شوند.
آیا این یعنی پایان DRAM و HBM نزدیک است؟
به صورت کلی باید در نظر داشته باشید که این فناوری هنوز در مرحله تحقیقاتی قرار دارد و فاصله زیادی تا تولید انبوه، دوام بالا، سرعت مناسب و سازگاری با خطوط تولید صنعتی دارد.
بازار حافظه امروز تحت سلطه فناوریهایی مانند DRAM، NAND Flash و HBM است و حتی فناوریهای امیدوارکننده دیگری مانند MRAM، ReRAM و حافظههای محاسباتی (Compute-in-Memory) سالهاست در حال توسعه هستند اما هنوز جایگزین گسترده حافظههای اصلی نشدهاند.
بنابراین نمیتوان گفت این تراشه چینی قرار است فردا جای HBM کنار GPUهای هوش مصنوعی را بگیرد؛ اما نشان میدهد مسابقه برای حل یکی از بزرگترین مشکلات عصر AI یعنی دیوار حافظه (Memory Wall) وارد مرحله تازهای شده است.













نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت