Ricercatori della Tsinghua University hanno sviluppato una nuova architettura ibrida per sistemi di compute-in-memory (CIM), denominata AnDi, che promette di migliorare significativamente l'efficienza energetica nell'esecuzione di reti neurali. Questa innovazione, pubblicata su Nature Electronics nel 2025, affronta le sfide legate all'elaborazione di compiti di regressione complessi, aprendo nuove possibilità per applicazioni di intelligenza artificiale avanzate. Il sistema combina l'alta precisione del calcolo digitale in virgola mobile con l'efficienza energetica dei sistemi analogici, superando i limiti delle architetture tradizionali.
L'importanza di questa ricerca risiede nella crescente domanda di sistemi di calcolo più efficienti per l'intelligenza artificiale. Le architetture convenzionali faticano a tenere il passo con le esigenze computazionali dei modelli di machine learning, in particolare per attività complesse come il rilevamento di oggetti e l'analisi video. AnDi rappresenta un passo avanti significativo perché offre un'alternativa promettente che riduce il consumo di energia e aumenta le prestazioni, rendendo possibile l'implementazione di reti neurali più sofisticate su dispositivi con risorse limitate.
I limiti dei sistemi ACIM tradizionali
I sistemi ACIM (analog compute-in-memory) sono noti per la loro capacità di elaborare e memorizzare dati nello stesso sistema hardware, riducendo il consumo energetico. Tuttavia, presentano delle limitazioni. Ze Wang, primo autore dell'articolo, ha spiegato che "ad oggi, l'ACIM deve ancora affrontare sfide significative nella gestione di compiti di regressione complessi, a causa di due limitazioni chiave: l'elevato rumore computazionale e i problemi di compatibilità dei dati in virgola mobile, che lo rendono inadatto per compiti di regressione che in genere richiedono un calcolo in virgola mobile ad alta precisione".
I sistemi ACIM tradizionali sono particolarmente suscettibili al rumore, che può compromettere l'accuratezza dei risultati. Inoltre, la loro incompatibilità con le operazioni in virgola mobile, essenziali per compiti di regressione che richiedono alta precisione, ne ha limitato l'applicazione a problemi di classificazione più semplici.
La soluzione ibrida di Tsinghua University
Per superare queste limitazioni, Wang e il suo team hanno sviluppato un'architettura ibrida che combina il calcolo digitale ad alta precisione con l'efficienza energetica dell'ACIM. Questo approccio permette di sfruttare i vantaggi di entrambi i mondi, ottenendo prestazioni superiori nell'esecuzione di reti neurali e aprendo la strada a compiti di inferenza più complessi.
L'architettura proposta si basa su un sistema dual-domain ACIM, capace di eseguire moltiplicazioni di matrici in modo altamente parallelo ed efficiente dal punto di vista energetico. Come ha spiegato Wang, "ACIM eccelle nell'esecuzione di moltiplicazioni di matrici altamente parallele ed efficienti dal punto di vista energetico, un'operazione fondamentale ampiamente utilizzata nelle reti neurali, offrendo vantaggi significativi rispetto al calcolo digitale". In pratica, il sistema sfrutta le leggi di Kirchhoff e Ohm per eseguire moltiplicazioni basate sulla tensione e sommazioni basate sulla corrente direttamente nel dominio analogico.
Un elemento chiave dell'innovazione è la capacità di supportare il dataflow in virgola mobile, essenziale per compiti di inferenza più complessi. "Per la prima volta, dimostriamo un compito di rilevamento di oggetti multi-target e multi-classe completamente implementato via hardware, YOLO (You Only Look Once), su un vero sistema ACIM", ha scritto Wang. "Questo rappresenta una pietra miliare significativa, estendendo le capacità di ACIM oltre il semplice supporto dei compiti di classificazione a un supporto completo dell'inferenza generale della rete neurale con dataflow FP."
Valutazione e risultati
I ricercatori hanno valutato la loro architettura attraverso una serie di test, riscontrando un'efficienza energetica notevolmente superiore rispetto ai moltiplicatori FP-32 tradizionali. In particolare, il sistema ha dimostrato un'efficienza 39,2 volte maggiore nell'esecuzione di modelli basati su reti neurali. Inoltre, hanno sviluppato un prototipo di sistema di calcolo basato su memristor, che ha raggiunto una precisione elevata, in media 2,7 volte superiore rispetto ai sistemi ACIM puri.
Questi risultati suggeriscono che l'architettura ibrida AnDi potrebbe rappresentare una svolta nel campo dell'intelligenza artificiale, consentendo lo sviluppo di modelli più complessi ed efficienti dal punto di vista energetico. La maggiore precisione e l'efficienza energetica migliorata aprono la strada a nuove applicazioni in settori come la robotica, la guida autonoma e l'analisi video in tempo reale.
Prospettive future
Il team di Tsinghua University intende continuare a lavorare su questa architettura, con l'obiettivo di migliorarne ulteriormente la precisione e l'efficienza energetica. Come ha anticipato Wang, "la nostra ricerca futura si concentrerà sulla co-progettazione e ottimizzazione di architettura, algoritmi e hardware per migliorare l'efficienza energetica e l'accuratezza dei sistemi di calcolo ibridi analogico-digitali. In definitiva, miriamo a supportare una gamma più ampia di calcoli di reti neurali e sbloccare nuovi scenari applicativi".
Lo sviluppo di architetture ibride come AnDi rappresenta un passo importante verso un futuro in cui l'intelligenza artificiale sarà più accessibile e sostenibile. La combinazione di diverse tecnologie di calcolo permette di superare i limiti delle singole architetture, aprendo la strada a nuove possibilità e applicazioni innovative.
L'articolo esplora una nuova architettura ibrida analogico-digitale di calcolo in memoria (CIM) progettata per migliorare l'efficienza e le prestazioni delle reti neurali artificiali (ANN). Questa innovazione si concentra sull'ottimizzazione del calcolo in memoria, un approccio che integra elaborazione e memorizzazione dei dati nello stesso dispositivo, superando le limitazioni delle tradizionali architetture di Von Neumann, dove memoria e processore sono distinti, causando colli di bottiglia nel trasferimento dei dati.
Le architetture CIM si dividono principalmente in due categorie: digitali (DCIM) e analogiche (ACIM). Le ACIM, in particolare, sfruttano le leggi fisiche come la legge di Kirchhoff e la legge di Ohm per eseguire moltiplicazioni e somme direttamente nel dominio analogico, offrendo un'efficienza energetica superiore rispetto alle controparti digitali. Tuttavia, le ACIM sono spesso limitate da rumore computazionale e difficoltà nell'elaborazione di dati in virgola mobile (FP), essenziali per compiti di regressione complessi. La ricerca presentata nell'articolo introduce un sistema dual-domain ACIM che combina il calcolo digitale ad alta precisione con l'efficienza energetica dell'analogico, aprendo nuove possibilità per applicazioni di inferenza più ampie e complesse.
La storia del calcolo in memoria affonda le radici negli anni '60, con i primi studi sui memristori, dispositivi che mostrano una resistenza variabile a seconda della storia della corrente che li ha attraversati. Solo negli ultimi anni, con l'avvento del deep learning e la crescente domanda di potenza computazionale, la ricerca sui memristori e sulle architetture CIM ha subito un'accelerazione. Aziende come Intel e Micron stanno investendo attivamente in questa tecnologia, con l'obiettivo di superare i limiti delle architetture tradizionali e supportare le future generazioni di intelligenza artificiale.
Una curiosità interessante è che i primi computer analogici, utilizzati durante la Seconda Guerra Mondiale per calcolare le traiettorie dei proiettili, possono essere considerati degli antenati delle moderne architetture ACIM. Questi dispositivi, pur rudimentali, dimostravano già il potenziale del calcolo analogico per risolvere problemi complessi in modo efficiente. La sfida odierna è quella di combinare la precisione del digitale con l'efficienza dell'analogico, creando sistemi ibridi in grado di gestire una vasta gamma di applicazioni.
Dal mio punto di vista professionale, l'architettura presentata rappresenta un passo avanti significativo nel campo del calcolo in memoria. La capacità di eseguire operazioni in virgola mobile in modo efficiente apre nuove prospettive per l'utilizzo di reti neurali in applicazioni complesse come il rilevamento di oggetti e la guida autonoma. Tuttavia, è importante sottolineare che la tecnologia è ancora in fase di sviluppo e che ulteriori ricerche sono necessarie per migliorare la precisione e l'affidabilità dei sistemi ACIM. Credo che il futuro del calcolo sarà sempre più ibrido, con architetture che combinano il meglio dei due mondi: la precisione del digitale e l'efficienza dell'analogico.
"La convergenza tra analogico e digitale rappresenta una delle sfide più interessanti e promettenti nel campo dell'informatica."
In conclusione, l'articolo evidenzia l'importanza di esplorare nuove architetture di calcolo per soddisfare le esigenze sempre crescenti dell'intelligenza artificiale. L'architettura dual-domain ACIM presentata rappresenta un esempio promettente di come l'innovazione tecnologica possa portare a miglioramenti significativi in termini di efficienza e prestazioni. Sarà interessante seguire gli sviluppi futuri di questa tecnologia e vedere come influenzerà il panorama dell'informatica.