普渡大学推类脑AI算法破内存墙

快速阅读: 公开资料显示，普渡大学与佐治亚理工学院提出一种受人脑启发的“内存计算”架构，以突破制约AI发展的“内存墙”瓶颈。该方案结合脉冲神经网络，可大幅降低能耗，推动人工智能在医疗、交通等领域的小型设备中应用。

随着人工智能模型对海量数据的依赖不断加深，传统计算机架构中内存与处理器分离所引发的“内存墙”问题日益突出，导致大量时间和能源被消耗。当前主流计算机仍沿用1945年提出的冯·诺依曼架构，其内存与处理器分置的设计在频繁数据传输过程中形成性能瓶颈。

过去四年间，语言处理模型规模激增5000倍，使这一效率问题愈发紧迫。普渡大学计算机工程教授、研究主要作者考希克·罗伊指出，必须从根本上重新思考计算机架构设计。业内将内存容量难以匹配处理速度的现象称为“内存墙”，其已成为制约人工智能发展的关键障碍。

针对该问题，普渡大学与佐治亚理工学院的研究人员在《科学前沿》杂志提出一种受人脑启发的新方案：采用“内存计算”（Compute-in-Memory, CIM）架构，将计算能力直接集成到内存系统中，从而减少数据搬运、提升能效。

研究团队建议，人工智能模型可结合脉冲神经网络（SNN）——一种模拟人脑工作机制的算法。尽管SNN曾因速度慢、精度低而受限，但近年来性能已显著改善。论文摘要强调，CIM为突破“内存墙”提供了极具前景的路径。

研究人员表示，该技术有望大幅降低人工智能能耗，推动其从数据中心走向现实应用场景。普渡大学研究员坦维·夏尔马指出，只有显著降低功耗，AI才能嵌入体积小、成本低、续航长的设备中，进而赋能医疗、交通、无人机等多个领域。

(以上内容均由Ai生成)

引用自：AIbase人工智能资讯平台