TSMC und US-Wissenschaftler entwickeln SOT-MRAM-Speicher für KI

Ingenieure der University of Texas haben in Zusammenarbeit mit TSMC einen extrem energieeffizienten magnetischen Speicherchip namens SOT-MRAM entwickelt und getestet, der für KI-Aufgaben optimiert ist. Laut ixbt.com vereint diese neue Technologie hohe Geschwindigkeit, geringen Stromverbrauch und die Fähigkeit, Daten auch bei ausgeschalteter Stromversorgung zu speichern, was die Möglichkeiten von Geräten in Zukunft erheblich erweitern könnte. Dies berichtet Ixbt.com berichtet .

Während der Tests zeigten die experimentellen Chips eine hohe Effizienz. Insbesondere dauerte der Prozess, ein einzelnes Bit in einer Speicherzelle zwischen den Zuständen 0 und 1 zu schalten, nur 2 Nanosekunden und erforderte etwa 2 Pikojoule Energie. Die Forscher betonten, dass einige alternative Speichertechnologien für einen einzigen Vorgang Hunderte von Pikojoule verbrauchen und um ein Vielfaches oder sogar Dutzende Male langsamer arbeiten können.

Besondere Merkmale der Technologie

Das Hauptmerkmal von SOT-MRAM-Speicher galt lange Zeit als Nachteil: Jede Zelle kann nur zwei Zustände speichern — 0 oder 1. Da neuronale Netze jedoch normalerweise mit komplexeren Datenformen arbeiten, war dies für KI-Aufgaben nicht ausreichend. Daher mussten die Wissenschaftler bestehende Algorithmen an ein binäres Format anpassen und dabei die optimale Rechengenauigkeit beibehalten.

Die neuen experimentellen Chips wurden gleichzeitig bei mehreren komplexen Aufgaben getestet, darunter Inferenz neuronaler Netze, das Training binärer neuronaler Netze und die Modellierung probabilistischer Graphen. Die Ergebnisse zeigten, dass SOT-MRAM-Technologie für Edge-KI-Systeme, bei denen Berechnungen direkt auf dem Endgerät statt auf einem zentralen Server durchgeführt werden, äußerst interessant sein könnte.

Praktische Bedeutung und Perspektiven

Die Einführung dieser Technologie schafft große Vorteile für intelligente Geräte, die in Echtzeit arbeiten. Ein Roboterarm kann beispielsweise Sensordaten selbst verarbeiten und fast sofort auf einen plötzlichen Temperaturanstieg reagieren, ohne Daten an Cloud-Server senden zu müssen. Dies verkürzt die Zeit für Datenübertragung und Fernverarbeitung und senkt den Energieverbrauch erheblich.

Dennoch können solche Systeme nicht vollständig auf Cloud-Computing verzichten. Für komplexe Aufgaben, die eine hohe Präzision oder erhebliche Rechenleistung erfordern, werden Geräte weiterhin Daten an Server mit GPUs senden. In Zukunft könnten spezialisierte Beschleuniger auf SOT-MRAM-Basis einen Teil der lokalen KI-Berechnungen übernehmen, die derzeit von der CPU ausgeführt werden.

Es wird jedoch noch einige Zeit dauern, bis die Technologie in der Praxis eingesetzt wird. Experten stehen vor Aufgaben wie der Erhöhung der Chip-Stabilität und der Verringerung von Parameterunterschieden zwischen einzelnen Zellen, da diese Faktoren derzeit die Genauigkeit der neuronalen Netzoperationen negativ beeinflussen könnten.