IBM将模拟计算用于人工智能，重塑AI计算

IBM一直在研究重塑人工智能计算方式的 *** 。 IBM研究员发表了一篇论文，介绍了将模拟计算用于人工智能（AI）的突破。

在构建人工智能系统的时候，需要对数据模型进行训练。就是对训练数据的不同子集赋予不同的权重，例如描述猫不同特征的图像数据。

在传统（数字）计算机上训练人工智能系统时，人工智能模型分散存储在内存中。计算任务需要在内存和处理单元之间不断传递数据。IBM 表示，这一过程会减慢计算速度，并限制能够实现的能效上限。

将模拟计算用于人工智能，可能会提供一种更有效的 *** ，实现同数字计算机上运行的人工智能相同的结果。IBM将模拟内存计算或模拟人工智能定义为一种借鉴生物大脑神经 *** 运行方式关键特征的技术。研究人员表示，在人类和许多其他动物的大脑中，突触的强度（称为权重）决定了神经元之间的通信。

IBM表示，在模拟人工智能系统中，这些突触权重被就地存储在相变存储器（PCM）之类的纳米级电阻存储器件的电导值中。然后，它们在深度神经 *** 中被用于进行累积乘法运算。

IBM表示，这项技术可以减少在存储器和处理器之间不断发送数据的需求。

在发表于《自然-电子学》（Nature Electronics）的一篇论文中，IBM研究院介绍了一种混合信号模拟人工智能芯片，可运行各种深度神经 *** （DNN）推理任务。据IBM 称，这是首款在测试中执行计算机视觉AI任务方面与数字芯片不相上下的模拟芯片，而且能效比后者更高。

该芯片是在IBM的奥尔巴尼纳米技术中心制造的。它由64个模拟内存计算内核（或芯片）组成，每个内核包含一个256 x 256的突触单元交叉阵列。IBM表示，每个芯片中都集成了基于时间的模数转换器，用于在模拟数据和数字数据之间转换。每个芯片还集成了轻量级数字处理单元，IBM 称这些处理单元可执行非线性神经元激活功能和缩放操作。

IBM表示，每块芯片都可以执行一层DNN模型相关的计算。论文作者表示：“利用该芯片，我们对模拟内存计算的计算精度进行了最全面的研究，并在CIFAR-10图像数据集上实现了92.81%的精确度。”