Чип с вычислениями в памяти
Недавно разработанный чип на основе мемристоров значительно улучшает производительность и защиту данных в системах федеративного обучения, снижая энергопотребление и поддерживая безопасное совместное обучение искусственного интеллекта.
Без необходимости обмена необработанными данными.
Федеративное обучение позволяет устройствам, таким как смартфоны, умные часы или датчики, совместно обучать модели ИИ, сохраняя пользовательские данные на устройстве. Это обеспечивает конфиденциальность, поскольку данные не передаются на центральный сервер. Однако такой подход требует значительных вычислительных ресурсов, что приводит к высокому энергопотреблению и задержкам, особенно на устройствах с ограниченными возможностями.
Команда под руководством профессора Хуссама Амруша из Калифорнийского университета в Санта-Барбаре разработала чип с вычислениями в памяти (CIM), использующий мемристоры — устройства, способные одновременно хранить данные и выполнять вычисления. Этот подход устраняет необходимость перемещения данных между памятью и процессором, что снижает энергопотребление и ускоряет обработку.
«Наш чип позволяет выполнять сложные вычисления непосредственно в памяти, что делает его идеальным для федеративного обучения, где важны энергоэффективность и конфиденциальность», — отметил Амруш.
Чип включает массив мемристоров, оптимизированный для выполнения операций умножения матриц, которые лежат в основе алгоритмов машинного обучения. Это позволяет проводить обучение прямо на устройстве, минимизируя утечку данных. В ходе тестирования чип показал десятикратное снижение энергопотребления по сравнению с традиционными процессорами и в пять раз большую скорость обработки данных.
Исследователи также интегрировали чип с технологией дифференциальной приватности, добавляющей «шум» к данным для защиты конфиденциальности без значительного ущерба для точности модели. Это особенно важно для приложений в здравоохранении и финансовой сфере, где защита личной информации критически важна.
«Эта разработка может изменить подход к обучению ИИ на периферийных устройствах, делая его более быстрым, безопасным и энергоэффективным», — сказал соавтор исследования доктор Сангван Ким.
Команда планирует дальнейшую оптимизацию чипа для коммерческого применения, включая интеграцию с мобильными устройствами и IoT-системами. Ожидается, что технология станет доступной для массового производства к 2027 году, что может ускорить развитие безопасных и эффективных систем ИИ.
Экономика данных
Компании, люди, географические координаты, населённые пункты, инфографика, аналитика, карточки объектов, сайты, контакты, адреса, искусственный интеллект, большие данные, фиас, кладр, октмо, окато, оквэд, огрн, инн, кпп, окпф.
