واحد خبر mobile.ir : پردازش درون-حافظه‌ای (In-Memory Computing) چندی‌ست که به عنوان یک راهکار جدید برای تحقق نسل آینده پردازش کم‌مصرف هوش مصنوعی مطرح شده است. پژوهشگران با استفاده از در دسترس‌ترین انواع حافظه‌های غیرفرار (non-volatile memories) اقدام به آزمایش تکنولوژی رایانش درون-حافظه‌ای کرده‌اند. از جمله تکنولوژی‌های حافظه‌ای در این زمینه MRAM (Magnetoresistive Random Access Memory به معنی حافظه دسترسی تصادفی مقاومت مغناطیسی) نام دارد که به دلیل مقاومت پایین، تاکنون چندان کارگشا نبوده است. اما سامسونگ به‌تازگی اعلام کرده که با توسعه سبک جدیدی از پردازش درون-حافظه‌ای، موفق به ادغام حافظه در پروسسور شده است.

در معماری استاندارد کامپیوترها، همواره شاهد آن بوده‌ایم که داده‌ها در چیپ‌های حافظه ذخیره شده و پردازش در چیپ‌های پردازنده جداگانه انجام می‌شود. در مقابل، پردازش درون-حافظه‌ای به دنبال آن است که هر دو پروسه ذخیره داده‌ها و پردازش آنها را درون یک شبکه حافظه‌ای به سرانجام برساند. در این فرآیند، می‌توان حجم زیادی از داده‌ها را بدون نیاز به جابه‌جایی آنها، در خود شبکه حافظه ذخیره کرد. همچنین پردازش داده‌ها در شبکه حافظه به شیوه موازی انجام می‌شود. همین عوامل، میزان مصرف انرژی را به شدت کاهش می‌دهند.

این مزایا موجب شده تا تحقیقات درباره پردازش درون-حافظه‌ای با جدیت در سرتاسر دنیا دنبال شود. در این میان انواع مختلف حافظه‌های غیرفرار، از جمله RRAM (حافظه دسترسی تصادفی مقاومتی) و PRAM (حافظه دسترسی تصادفی تغییر فاز) در جهت تحقق پردازش درون-حافظه‌ای به کار گرفته شده‌اند. نوع دیگری از حافظه‌های غیرفرار MRAM نام دارد که علی‌رغم امتیازاتی مثل سرعت عملکرد، دوام و قابلیت تولید در مقیاس بالا، استفاده از آن با مشکل همراه بوده است. این مشکل از مقاومت پایین این نوع حافظه نشأت می‌گیرد. به همین دلیل، چنان‌چه از حافظه MRAM در معماری استاندارد کامپیوترها استفاده شود، نمی‌توان از آن انتظار کاهش در مصرف را داشت.

اما ظاهرا پژوهشگران سامسونگ الکترونیکس با یک نوآوری در زمینه معماری کامپیوتری، راه‌حلی را برای این مشکل پیدا کرده‌اند. این پژوهشگران با توسعه یک چیپ MRAM با چیدمانی خاص، موفق به تحقق پردازش درون-حافظه‌ای شده‌اند. در این تراشه، معماری استاندارد پردازش درون حافظه‌ای – موسوم به current-sum یا مجموع جریان – کنار گذاشته شده و به جای آن از معماری جدیدی به نام resistance sum یا مجموع مقاومت استفاده شده است. بنا بر آنچه در ژورنال Nature منتشر شده، در این معماری جدید، سلول‌های MRAM با چیدمان 64×64 در کنار هم قرار گرفته‌اند. طبق ادعای سامسونگ، به لطف این معماری جدید، مشکل مقاومت‌های کوچک در دیوایس‌های مجهز به MRAM برطرف خواهد شد.

برای ارزیابی عملکرد، تیم پژوهشی سامسونگ با به کارگیری این تراشه به منظور اجرای پردازش‌های حوزه هوش مصنوعی، اقدام به آزمایش تراشه جدید مبتنی بر پردازش درون-حافظه‌ای MRAM کرد. میزان دقت این تراشه در طبقه‌بندی رقم‌های دست‌نویس 98 درصد و در تشخیص چهره از منظره، معادل 93 درصد اعلام شد.

لازم به ذکر است، MRAM پدیده جدیدی محسوب نمی‌شود. توسعه این تکنولوژی از سال 1998 آغاز شده و طی 15 سال اخیر بارها در مقیاس تجاری در ساخت سیستم‌های نیمه‌رسانا مورد استفاده قرار گرفته است. حال، با به خدمت گرفتن MRAM در حوزه پردازش درون-حافظه‌ای، انتظار می‌رود این کار گامی بزرگ در جهت گسترش نسل آینده چیپ‌های هوش مصنوعی کم‌مصرف باشد.

به گفته پژوهشگران سامسونگ، این تراشه جدید MRAM، علاوه ‌بر امکان استفاده در پردازش درون-حافظه‌ای، می‌تواند به عنوان پلتفرمی برای دانلود شبکه‌های عصبی بیولوژیکی نیز به کار گرفته شود. این قابلیت را می‌توان در راستای چشم‌انداز سامسونگ در حیطه «الکترونیک نورومورفیک» قلمداد کرد؛ چشم‌اندازی که این شرکت کره‌ای با انتشار مقاله‌ای در ژورنال Nature Electronics (شماره سپتامبر 2021) از آن پرده برداشت.

دکتر سئونگ‌چول جونگ (Seungchul Jung)، نویسنده اصلی این مقاله، بر این باور است که پردازش درون-حافظه‌ای شباهت فراوانی به سازوکار مغز دارد، زیرا پردازش درون مغز نیز در شبکه‌ای از حافظه‌های بیولوژیک یا سیناپس‌ها (محل تلاقی نورون‌ها) انجام می‌شود. به گفته وی، درست است که پردازش انجام شده در شبکه MRAM هدفی متفاوت از پردازش درون مغز را دنبال می‌کند، اما ممکن است در آینده چنین شبکه حافظه‌ای حالت-جامدی به عنوان یک پلتفرم برای شبیه‌سازی مغز (از طریق مدل‌سازی اتصال سیناپس‌ها در مغز) به کار گرفته شود.

از خبر جدید سامسونگ، این گونه برداشت می‌شود که این شرکت کره‌ای بر مبنای موفقیت اخیرش در حوزه پردازش درون-حافظه‌ای مبتنی بر MRAM، قصد دارد جایگاه برتر خود در تکنولوژی حافظه و توسعه پروسسور را مستحکم کند. البته هنوز نمی‌توان گفت چه مدت طول خواهد کشید تا این تکنولوژی در ساخت محصولات تجاری (مثل PC، لپ‌تاپ یا گوشی هوشمند) مورد استفاده قرار بگیرد.