在內存中排序的硬件系統消除了對非線性排序任務的比較器

該研究小組由北京大學研究生院電子和計算機工程師學院的Yang Yuchao教授領導，達到了全球突破，開發了第一個記憶中的第一個硬件系統，適用於復雜的非線性分類任務。

發表在 自然電子，，，，， 學習以“基於膜的快速和重新配置的排序排序排序分類”的名稱提供了非構造體系結構，這是內存處理領域（PIM）中最困難的任務之一。

排序是一項基本的計算任務，但其非線性性質使用傳統設備使加速度變得複雜。雖然基於紀念館的PIM建築表現出了線性操作的希望，但他們與分類持續了很長時間。 Yana教授的團隊轉向了這一點，消除了對比較器的需求，並提出了一種新的閱讀數字機制，以及一種新的算法和硬件設計，這重新考慮瞭如何在記憶中執行分類。

這項工作是PIM技術發展的重要一步，從線性矩陣的操作到具有較高集成的非線性任務，例如排序。該團隊提供了可擴展和重新配置的排序結構，提供了高性能，能源有效的解決方案，可滿足現代大型數據和人工智能應用的要求。

該研究介紹了一個沒有比較器的分類系統，該系統使用多個讀數構建了一個具有一個晶體管抗晶格（1T1R）的矩陣，該系統使用了許多讀數，該數字取代了收集收集的傳統邏輯並顯著提高了計算技術的效率。該團隊還開發了木質通行證（TNS）的算法，該算法加速了分類，反複使用旁路並減少不必要的操作。

為了在各種數據集和配置中縮放性能，引入了三種跨空TNS（CA-TN）的策略。多行星策略打破了用於並行處理的數組上的大數據集；位網絡分發甜菜寬度，以確保管道的排序；多級別的備忘錄狀態使用了多級級別，以改善細胞內並行性。

這些創新共同形成了一種靈活而適應的分類加速器，可以處理數據的各種寬度和復雜性。

為了檢查真正的性能，團隊製作了Memristor芯片，並將其與FPGA和PCB設備集成在一起，以通過演示系統創建完整的。在參考測試中，與領先的ASIC分類系統相比，它以160.4倍的能源效率高達7.70倍，較高的能源效率和32.46倍的面積。

該系統還在實際應用中也有效：在規劃Dijkstra時，她成功地計算了北京16個地鐵站之間的最短方式，並以低延遲和能源消耗。撤回神經網絡時，他打開執行時間設置，將TNS與基於PointNet ++模型中紀念館的矩陣繁殖集成在一起，達到15倍速度，並提高了能源效率為67.1倍。這些結果強調了系統在由AI控制的普通和工作載荷中的廣泛適用性。

這項工作正在重新分佈內存處理系統中的可能性。 Jan教授表現出靈活，高效和可擴展的排序系統後，為下一代可以餵養AI，真實的時間分析和區域計算打開了大門。他為未來的非線性計算加速奠定了基礎，從而突破了基於紀念館可以實現的系統的邊界。