Le questioni scientifiche odierne, che spaziano dalla modellazione di materiali a nanoscala fino alla scienza del clima su larga scala, richiedono l’utilizzo di equazioni complesse. Tuttavia, i sistemi di calcolo digitale attuali stanno raggiungendo i loro limiti in termini di velocità, consumo energetico e infrastruttura. Secondo Xia, ogni volta che si desidera memorizzare informazioni o assegnare un compito a un computer, è necessario spostare i dati tra la memoria e le unità di calcolo. Con compiti complessi che richiedono lo spostamento di grandi quantità di dati, si verifica una sorta di “ingorgo” nel processo di elaborazione.
Una delle soluzioni tradizionali per superare questi ostacoli è stata l’aumento della larghezza di banda. Tuttavia, Xia e i suoi colleghi hanno implementato il calcolo in memoria con la tecnologia analogica dei memristori come alternativa per evitare questi colli di bottiglia, riducendo il numero di trasferimenti di dati.
Il memristore, un componente elettrico che combina memoria e resistore, controlla il flusso di corrente elettrica in un circuito, ”ricordando” lo stato precedente anche quando l’alimentazione è spenta, a differenza dei chip per computer basati su transistor attuali, che possono mantenere le informazioni solo quando sono alimentati. Il dispositivo memristore può essere programmato in più livelli di resistenza, aumentando la densità di informazioni in una singola cella.
Quando organizzato in un array a croce, un circuito memristivo esegue calcoli analogici utilizzando le leggi fisiche in modo massivamente parallelo, accelerando notevolmente le operazioni matriciali, che sono le computazioni più utilizzate ma anche quelle che consumano più energia nelle reti neurali. Il calcolo viene eseguito direttamente sul dispositivo, piuttosto che spostare i dati tra memoria ed elaborazione. Utilizzando l’analogia del traffico, Xia paragona il calcolo in memoria alle strade quasi vuote osservate durante il picco della pandemia: “Hai eliminato il traffico perché [quasi] tutti lavoravano da casa”, afferma. “Lavoriamo simultaneamente, ma inviamo solo i dati/risultati importanti.”
In precedenza, i ricercatori avevano dimostrato che il loro memristore può completare compiti di calcolo a bassa precisione, come l’apprendimento automatico. Altre applicazioni hanno incluso l’elaborazione di segnali analogici, la rilevazione di radiofrequenza e la sicurezza hardware.
“In questo lavoro, proponiamo e dimostriamo una nuova architettura di circuito e un protocollo di programmazione che possono rappresentare in modo efficiente numeri ad alta precisione utilizzando una somma ponderata di più dispositivi analogici a precisione relativamente bassa, come i memristori, con una riduzione notevole della complessità del circuito, dell’energia e della latenza rispetto agli approcci di quantizzazione esistenti”, afferma Xia.
“La svolta di questo particolare articolo è che spingiamo ulteriormente i confini”, aggiunge. “Questa tecnologia non è solo buona per il calcolo a bassa precisione delle reti neurali, ma può anche essere efficace per il calcolo scientifico ad alta precisione.”
Per la dimostrazione del principio, il memristore ha risolto equazioni differenziali parziali statiche ed evolutive nel tempo, equazioni di Navier-Stokes e problemi di magnetoidrodinamica.
“Abbiamo spinto noi stessi fuori dalla nostra zona di comfort”, afferma Xia, espandendo oltre i requisiti di bassa precisione delle reti neurali di edge computing fino al calcolo scientifico ad alta precisione.